CN114944059A - 确定预估到达时间的方法与系统 - Google Patents

确定预估到达时间的方法与系统 Download PDF

Info

Publication number
CN114944059A
CN114944059A CN202210536958.7A CN202210536958A CN114944059A CN 114944059 A CN114944059 A CN 114944059A CN 202210536958 A CN202210536958 A CN 202210536958A CN 114944059 A CN114944059 A CN 114944059A
Authority
CN
China
Prior art keywords
determining
dimensional sparse
target
features
machine learning
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.)
Granted
Application number
CN202210536958.7A
Other languages
English (en)
Other versions
CN114944059B (zh
Inventor
钟志远
罗卿
王征
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202210536958.7A priority Critical patent/CN114944059B/zh
Publication of CN114944059A publication Critical patent/CN114944059A/zh
Application granted granted Critical
Publication of CN114944059B publication Critical patent/CN114944059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • 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
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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"
    • G06Q50/40—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Abstract

一种确定预估到达时间(ETA)的方法和系统，所述方法包括：从用户设备接收用户的起始位置和目的地；基于所述起始位置和所述目的地确定目标路线；基于所述目标路线确定目标高维稀疏特征；基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；传输所述预估到达时间。

Description

确定预估到达时间的方法与系统
交叉引用
本申请是针对申请日为2017年5月22日、申请号为201780089617.7、发明名称为“确定预估到达时间的系统与方法”的中国申请提出的分案申请。
技术领域
本申请一般涉及数字路线规划的系统和方法，尤其涉及确定预估到达时间(ETA)的方法和系统。
背景技术
按需运输服务，如在线预定出租车服务，为人们的日常出行提供了极大的方便。通过在线按需服务，请求方可以通过安装在用户设备(比如智能手机)中的应用来请求按需服务。然后，所述平台的服务器可以处理所述请求，并且基于至少两个不同因素或条件，例如到达指定位置的预估到达时间(ETA)来确定服务提供商以执行所述按需服务。确定所述预估到达时间并提供最优路线规划，以满足请求方的需求，这是可取的。
发明内容
根据本申请的一方面，可以包括一种确定预估到达时间(ETA)的方法，所述方法包括：从用户设备接收用户的起始位置和目的地；基于所述起始位置和所述目的地确定目标路线；基于所述目标路线确定目标高维稀疏特征；基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；传输所述预估到达时间。
根据本申请的一方面，可以包括一种确定预估到达时间(ETA)的系统，一个存储设备，所述存储设备存储一组指令集；及在线按需服务平台的至少一个处理器，所述处理器被配置为与所述存储设备通信，其中，当执行所述指令集时，所述至少一个处理器被配置为使所述系统：通过网络从用户设备接收起始位置和目的地；基于所述起始位置和所述目的地确定目标路线；基于所述目标路线确定目标高维稀疏特征；基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；传输所述预估到达时间。
根据本申请的一方面，可以包括一种包括指令的非暂时性机器可读存储媒介，当所述指令被在线按需服务平台的至少一个处理器访问时，使所述至少一个处理器：通过网络从用户设备接收起始位置和目的地；基于所述起始位置和所述目的地确定目标路线；基于所述目标路线确定目标高维稀疏特征；基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；传输所述预估到达时间。
根据本申请的一方面，可以包括存储设备和被配置为和所述存储设备通信的在线按需服务平台的至少一个处理器。所述存储设备可以包括确定预估到达时间(ETA)的一组指令。当所述至少一个处理器执行所述一组指令时，所述至少一处理器可以执行以下操作中的一个或以上。所述至少一个处理器可以通过网络从用户设备接收起始位置和目的地。所述至少一个处理器可以获取确定预估到达时间的机器学习模型，其中所述机器学习模型基于一过程生成，所述过程包括：获取与在线按需服务订单相关的历史数据；基于所述历史数据确定高维稀疏特征；基于所述高维稀疏特征确定机器学习模型。所述至少一个处理器可以所述基于机器学习模型、起始位置和目的地来确定目标路线的预估到达时间。所述至少一个处理器可以通过所述网络将所述确定的预估到达时间传送给所述用户设备。
根据本申请的另一个方面，一种方法可以包括以下操作的一个或以上。服务器可以通过网络从用户设备接收起始位置和目的地。所述服务器可以获取用于确定预估到达时间的机器学习模型，其中所述机器学习模型基于一过程生成，所述过程包括：获取与在线按需服务订单相关的历史数据；基于所述历史数据确定高维稀疏特征；基于所述高维稀疏特征确定机器学习模型。所述服务器可以基于所述机器学习模型、起始位置和目的地来确定目标路线的预估到达时间。所述服务器可以通过所述网络将所述确定的预估到达时间传送给所述用户设备。
根据本申请的另一方面，非暂时性机器可读存储媒介可包括指令。当所述非暂时性机器可读取存储媒介被在线按需服务平台中请求方的至少一个处理器存取时，所述指令可以使所述至少一个处理器执行以下操作中之一项或多项。所述指令可以使所述至少一个处理器从所述用户设备接收起始位置和目的地。所述指令可以使所述至少一个处理器获取用于确定预估到达时间的机器学习模型，其中，所述机器学习模型基于一过程生成，所述过程包括：获取与在线按需服务订单相关的历史数据；基于所述历史数据确定高维稀疏特征；基于所述高维稀疏特征确定机器学习模型。所述指令可以使所述至少一个处理器基于所述机器学习模型、所述起始位置和所述目的地来确定目标路线的预估到达时间。所述指令可以使所述至少一个处理器通过所述网络，将所述确定的预估到达时间传送给所述用户设备。
另外的特征将在接下来的描述中部分地阐述，并且对于本领域技术人员在查阅下文和附图时将部分地变得显而易见，或者可以通过示例的生产或操作而被学习。本申请的特征可以通过实践或使用如下详细描述的实施例中的方法、手段和组合等的各个方面来实现和获得。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考图示进行详细描述。这些实施例是非限制性的示例性实施例，在图示多种视图下的实施例中，相似的编号表示相似的结构，并且其中：
图1系根据本申请的一些实施例所示的一种示例性按需服务系统的模块图；
图2系根据本申请的一些实施例所示的一种按需服务系统的示例性计算装置的示意图；
图3A系根据本申请的一些实施例所示的一种示例性处理引擎的模块图；
图3B是根据本申请的一些实施例所示的一种示例性确定模块的结构框图；
图4是根据本申请的一些实施例所示的用于确定目标路线的预估到达时间的一种示例性流程的流程图；
图5是根据本申请的一些实施例所示的用于确定高维稀疏特征的一种示例性流程的流程图；
图6A到6E是根据本申请的一些实施例所示的用于确定高维稀疏特征的示例性图表的示意图；
图7是根据本申请的一些实施例所示的用于更新机器学习模型的一种示例性流程的流程图；以及
图8是根据本申请的一些实施例所示的用于确定目标路线的预估到达时间的一种示例性流程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。因此，本申请不限于所示的实施例，而是符合与权利要求一致的最广泛范围。
本申请所使用的术语仅为了描述特定范例性实施例，并不限制本申请的范围。如本文所使用的“一”、“一个”、“所述”、“该”等词语并非特指单数，也可包括复数形式，除非上下文明确提示例外情形。还应当理解，本申请中所使用的术语“包括”与“包含”仅提示已明确标识的特征、整体、步骤、操作、元件和/或部件，而不排除可以存在和添加其他一个或以上特征、整体、步骤、操作、元件、部件和/或其组合的情况。
根据以下对附图的描述，本申请所述的和其他的特征、特色，以及相关结构元素的功能和操作方法，以及制造的经济和部件组合更加显而易见，这些都构成说明书的一部分。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是附图并不是按比例的。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当明确理解，流程图中的操作可以不按顺序实施。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
此外，虽然本发明中公开的系统和方法主要关于确定按需服务请求的预估到达时间，但应该理解的是，这只是一个示例性实施例。本申请的系统或方法还可应用于其他类型的按需服务。例如，本申请的系统和方法可以应用于不同环境下的运输系统，包括陆地、海洋、航空航天或类似物或其任意组合。运输系统的车辆可以包括出租车、私人汽车、顺风车、巴士、列车、子弹头列车、高速铁路、地铁、船只、航空器、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。运输系统还可以包括用于经营及/或分配的任何运输系统，例如用于发送及/或接收快递的系统。本申请的系统或方法的应用场景可以包括网页、浏览器插件、客户端终端、定制系统、内部分析系统、人工智能机器人等或其任意组合。
在本申请中，术语“乘客”、“请求方”、“服务请求方”和“客户”可以交换使用，其表示可以请求或预定服务的个体、实体，或工具。在本申请中，术语“司机”、“提供方”、“服务提供方”和“供应方”也可以交换使用，其表示可以提供服务或促进该服务提供的个体、实体或工具。在本申请中，术语“用户”可以表示可以请求服务、预定服务、提供服务或促进所述服务提供的个体、实体或工具。例如，用户可以是乘客、司机、操作员等，或其任何组合。在本申请中，“乘客”和“乘客终端”可以交换使用，而且“司机”和“司机终端”可以交换使用。
本申请中的术语“服务”、“请求”和“服务请求”可以交替使用，表示由用户、请求方、服务请求方、客户、司机、提供方、服务提供方、供应者等或上述举例的任意组合发起的请求。所述服务请求可以被乘客、请求方、服务请求方、客户、司机、提供方、服务提供方、供应方中的任一个接受。服务请求可以是计费的或免费的。
在本申请中使用的定位技术可包括全球定位系统(GPS)，全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WIFI)定位技术等或其任意组合。上述定位技术中的一种或者多种可在本申请中互换使用。
本申请的一方面涉及用于确定到达时间预估(ETA)的在线系统和方法。所述系统和方法可以基于确定所述预估到达时间的机器学习模型、起始位置和目的地来实现。在确定所述机器学习模型时，所述系统和方法可以基于与按需服务订单相关的一组历史数据来确定高维稀疏特征。
需要注意的是，在线按需运输服务，如在线预定出租车，例如在线预定出租车组合服务，是起源于后因特网时代的一种新服务形式。它为使用者和服务提供方提供了仅在后因特网时代才可能实现的技术方案。在互联网时代之前，当用户在街道上呼叫出租车时，出租车预定请求和接受只能在乘客和看见该乘客的出租车司机之间发生。如果乘客通过电话呼叫计程车，计程车服务的请求和接受只可能发生在该乘客和服务提供方(例如，计程车客运业或代理商)之间。然而，在线预定租车允许使用者实时、自动地向与该用户相距一段距离的大量个别服务提供方(例如，出租车)分配服务请求。它也允许至少两个服务提供方同时、实时地对该服务请求进行响应。因此，通过互联网，所述在线按需运输系统可以为用户和服务提供方提供一个更加高效的交易平台，这在互联网时代之前的传统运输服务系统中是无法实现的。
图1系根据本申请的一些实施例所示的示例性按需服务系统100的场景图。例如，所述按需服务系统100可以是为运输服务，例如出租车呼叫服服务、驾驶服务、快运汽车、共乘服务、巴士服务、司机雇佣、折返运转服务，而提供的线上运输服务平台。所述按需服务系统100可以是包含服务器110、网络120、请求方终端130、提供方终端140以及存储器150的在线平台。所述服务器110可包含处理引擎112。
在一些实施例中，所述服务器110可以是单服务器或者服务器群。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，所述服务器110可以是本地的或远程的。例如，所述服务器110可通过所述网络120存取存储在所述请求方终端130、所述提供方终端140和/或所述数据存储器150内的信息和/或数据。再比如，所述服务器110可以连接到所述请求方终端130、所述提供方终端140和/或所述数据存储器150，以存储信息和/或数据。在一些实施例中，所述服务器110可在云平台上执行。仅仅举个例子，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、跨云、多重云等或上述举例的任意组合。在一些实施例中，所述服务器110可以在图2中描述的包含了一个或以上元件的计算装置200上执行。
在一些实施例中，所述服务器110可以包括处理引擎112。所述处理引擎112可以处理与所述服务请求相关的信息及/或数据，以执行本申请所述服务器110的一个或以上功能。例如，所述处理引擎112可以收集至少两个历史按需服务的信息，并且确定到达指定位置的预估到达时间.在一些实施例中，所述处理引擎112可以包括一个或以上处理引擎(例如，单核处理器或多核处理器)。仅作为范例，所述处理引擎112可包括中央处理器(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算器(RISC)、微处理器等或其任意组合。
所述网络120可以促进信息及/或数据的交换。在一些实施例中，所述按需服务系统100的一个或以上组件(例如，所述服务器110请求方终端130、提供方终端140、和存储器150)可以通过所述网络120将信息和/或数据发送至所述按需服务系统100中的其他组件。例如，服务器110可以通过所述网络120从所述请求方终端130接收服务请求。在一些实施例中，所述网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为范例，所述网络120可以包括电缆网络、缆线网络、光纤网络、电信网络、内部网络、因特网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、都会局域网络(MAN)、公用电话交换网络(PSTN)、蓝牙网络，紫蜂网络、近距离通信(NFC)网络等或其任意组合。在一些实施例中，所述网络120可以包括一个或以上网络交换点。例如，所述网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、…，所述按需服务系统100的一个或以上组件可以通过其连接到所述网络120，以在它们之间交换数据和/或信息。
在一些实施例中，请求方可以是所述请求方终端130的用户。在一些实施例中，所述请求方终端130的用户可以为除该请求方之外的其他人。例如，所述请求方终端130的用户A可以通过请求方终端130为使用者B发送服务请求，或从所述服务器110处接收服务和/或信息或指令。在一些实施例中，提供方可以是所述提供方终端140的用户。在一些实施例中，所述提供方终端140的用户可以为除该提供方之外的其他人。例如，所述提供方终端140的使用者C可以使用所述服务方终端140为使用者D接收服务请求和/或从服务器110接收信息或指示。在一些实施例中，“请求方”和“请求方终端”可互换使用，“提供方”和“提供方终端”可互换使用。
在一些实施例中，所述请求方终端130可以包括移动装置130-1、平板计算机130-2、手提电脑130-3、机动车内建装置130-4等或其任意组合。在一些实施例中，所述移动装置130-1可包括智能家居装置可穿戴设备、智能移动装置、虚拟现实装置、增强现实装置等或其任意组合。在一些实施例中，所述智能家居装置可以包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等或上述举例的任意组合。在一些实施例中，所述随身装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或上述举例的任意组合。在一些实施例中，所述智能移动装置可包括智能电话、个人数字助理(PDA)、游戏设备、导航装置、销售点(POS)装置等或其任意组合。在一些实施例中，所述虚拟现实装置及/或增强现实装置可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。例如，虚拟实境装置和/或增强现实装置可以包括Google Glass、Oculus Rift、Hololens、Gear VR等。在一些实施例中，所述内建装置可包括车载计算机或车载电视等。在一些实施例中，所述请求方终端130可以是具有用来确定所述请求方和/或所述请求方终端130位置的定位技术的装置。
在一些实施例中，所述提供方终端140可以是与请求方终端130相似或相同的装置，提供方终端140可以包括移动装置140-1、平板计算机140-2、手提电脑140-3、机动车内建装置140-4等或其任意组合。在一些实施例中，所述提供方终端140可以是具有用来确定提供方和/或提供方终端140位置的定位技术的装置。在一些实施例中，所述请求方终端130和/或所述提供方终端140可以与其他定位装置通信，以确定所述请求方、所述请求方终端130、所述提供方和/或所述提供方终端140的位置。在一些实施例中，所述请求方终端130和/或所述提供方终端140可以向所述服务器110传送定位信息。
所述存储器150可以存储数据和/或指令。在一些实施例中，所述存储器150可以存储从所述请求方终端130和/或所述提供方终端140处获取的数据。在一些实施例中，所述存储器150可以存储所述服务器110可执行或用于执行本发明中所述示例性方法的数据和/或指令。在一些实施例中，所述存储器150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任何组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪光驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可包括动态随机存取存储器(DRAM)、双倍速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、闸流体随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性ROM包括遮罩只读存储器(MROM)、可程式只读存储器(PROM)、可清除可程式只读存储器(EPROM)、电子可抹除可程式只读存储器(EEPROM)、光盘只读存储器或数位通用磁碟只读存储器等。在一些实施例中，所述存储器150可在云端平台上执行。仅仅举个例子，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、跨云、多重云等或上述举例的任意组合。
在一些实施例中，所述存储器150可以连接到所述网络120，以与所述按需服务系统100的一个或以上组件(例如，服务器110、请求方终端130、提供方终端140等)进行通信。所述按需服务系统100的一个或以上组件可以通过所述网络120访问所述存储器150的数据或指令。在一些实施例中，所述存储器150可以与所述按需服务系统100的一个或以上组件(例如，所述服务器110、所述请求方终端130、所述提供方终端140)直接连接或者进行通信。在一些实施例中，所述存储器150可以是服务器110的一部分。
在一些实施例中，所述按需服务系统100中的一个或以上组件(例如，所述服务器110、所述请求方终端130、所述提供方终端140)可访问所述存储器150。在一些实施例中，当满足一个或以上条件时，所述按需服务系统100的一个或以上组件可以读取和/或修改与请求方、提供方和/或公众有关的信息。例如，所述服务器110在完成服务后，可以读取和/或修改一个或以上用户的信息。再比如，当所述提供方终端140从所述请求方终端130接收到一个服务请求时，所述提供方终端140可以存取与请求方相关的信息，但是不能修改所述请求方的相关信息。
在一些实施例中，可以通过请求服务来实现所述按需服务系统100的一个或以上组件的信息交换。所述服务请求的对象可以为任何产品。在一些实施例中，所述产品可以是有形产品或无形产品。所述有形产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等或上述举例的任意组合。所述无形产品可以包括服务产品、金融产品、知识产品、因特网产品等或其任意组合。所述互联网产品有很多分类方法，以其承载平台分类为例，包括但不限于个人主机产品、Web产品、移动互联网产品、商用主机平台产品、嵌入式产品等中的一种或几种的组合。所述移动互联网产品可以是移动终端的软件、程序、系统等或上述举例的任意组合。所述可移动终端可以包括平板电脑、手提电脑、移动电话、个人数字助理(PDA)、智能手表、销售点(POS)装置、车载电脑、车载电视、可穿戴装置等或其任意组合。例如，所述产品可以是在计算机或移动电话上使用的任一软件及/或应用。所述软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或上述举例的任意组合有关。在一些实施例中，与运输相关的所述软件和/或应用可以包括出行软件和/或应用、车辆调度软件和/或应用、地图软件和/或应用等。所述车辆调度软件和/或应用中，所述车辆可以包括马、马车、人力车(例如，手推车、脚踏车、三轮车等)、汽车(例如，计程车、巴士、私人汽车等)、列车、地铁、船只、航空器(例如，飞机、直升机、太空梭、火箭、热气球等)等或其任意组合。
图2是根据本申请的一些实施例所示的计算装置200的示例性硬件和软件组件的框图，在其上可以实现本申请所述服务器110、所述请求方终端130和/或所述提供方终端140相应的功能。例如，所述处理引擎112可以在所述计算装置200上实施并执行本申请所披露的所述处理引擎112的功能。
所述计算设备200可以是通用计算机或专用计算机，两者都可以用于实施本发明的按需系统。所述计算装置200可以用来实现本文所述按需服务系统的任意部件。例如，所述处理引擎112可以在所述计算装置200上通过其硬件、软件程序、固件或其组合来实施。
例如，所述计算装置200可以包括与网络连接的通信端口250，以促进数据通信。所述计算装置200还可以包括用于执行程序指令的处理器220。所述示例性计算设备可以包括内部通信总线210、不同形式的程序存储器和数据存储，所述形式包括例如磁盘270和只读存储器(ROM)230，或随机访问存储器(RAM)240，用于由所述计算设备处理和/或传输各种数据文件。所述示例性计算设备也可以包括存储于ROM 230、RAM 240及/或其他形式的非暂时性存储媒介中的、可由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实施。所述计算设备200还包括支持所述计算设备和其他组件之间输入/输出的I/O组件260。所述计算装置200也可以通过网络通信接收程序编制计和数据。
仅为说明，图2中只描述了一个处理器。还考虑了多个处理器；因此如本申请中所描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如，如果在本申请中，所述计算装置200的处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由所述计算装置200的两个不同的处理器共同或独立执行(例如，所述第一处理器执行步骤A，所述第二处理器执行步骤B，或者所述第一和所述第二处理器共同执行步骤A和步骤B)。
图3A是基于本申请的一些实施例所示的示例性处理引擎112的模块图。所述处理引擎112可以包括采集模块302、确定模块304以及指示模块306。每个模块都可以是用于执行下述操作的硬件电路、一组存储于一个或以上存储媒介的指令和/或所述硬件电路和一个或以上存储媒介的组合。
所述采集模块302可以被配置为从一个或以上请求方获取至少两个服务请求。在一些实施例中，服务请求可以是所述请求方对按需服务的请求(例如，运输服务和送货服务)。例如，如果乘客需要出租车服务，乘客可以通过所述网络120从所述请求方终端130向所述服务器110发送出租车请求。在一些实施例中，所述服务请求可以是所述请求方对地图导航服务的请求。例如，所述司机可以通过使用导航应用和/或装置来遵循导航指示。所述服务请求可以包括起始位置、目的地、驾驶时间(或旅行持续时间)、服务类型等，或其任何组合。所述请求方可以决定所述目的地。所述采集模块302可以通过所述网络120从所述请求方终端获取所述服务请求。所述服务请求可以被传送给所述定模块304或所述指示模块306，以被进一步处理。
所述按需服务可以包括出租车呼叫服务、代驾服务、快车服务、拼车服务、公交车服务、短期代驾服务、班车服务、试驾服务、指定驾驶服务等，或其组合。在一些实施例中，所述按需服务可以是在线预订的其他送货服务，诸如在线订餐、在线购物等，或其组合。在一些实施例中，所述按需服务可以是利用车辆将物品从一个地方转移到另外一个地方的服务，例如送货服务。所述车辆可以包括非机动车辆(例如，脚踏车或三轮车)、机动车辆(例如，汽车或货车)、船舶(例如，小船或小艇)和/或航空器。在一些实施例中，所述车辆可以是无人操作的。例如，所述按需服务可以是出租车服务。
所述采集模块302还可以获取与至少两个服务订单(即，已完成的服务请求)有关的历史数据。例如，所述按需服务系统100可以基于请求方发送的按需服务请求来生成服务订单，并将其保存到存储器(例如，所述存储器150)中，其中所述服务订单可以被记录和分类。再比如，对于出租车呼叫服务，如果司机接受服务请求并完成服务，则所述按需服务系统100可以生成包括与服务请求、乘客信息、司机信息和/或乘客信息相关的信息的服务订单，或与服务请求的目标路线相关的任何其他信息。所述按需服务系统100可以将所述服务订单传送至所述乘客和/或所述司机。再比如，对于地图导航服务，如果请求方通过所述网络120，从所述请求方终端130向所述服务器110发送服务请求，则按需服务系统100可基于所述服务请求，推荐一个或以上路线，并且在所述请求方确认所述服务请求的目标路线(或司机到达目的地)之后，所述请求服务系统100可以生成包括与所述服务请求和/或所述确认的目标路线相关的信息的服务指令。
所述采集模块302可以提取和/或获取与所述服务订单相关的历史数据。例如，所述采集模块302可以通过网络120从所述请求方终端130、所述提供方终端140和/或存储器150获取所述历史数据，并将其记录在所述存储器150或所述按需服务系统100的任何组件中。与所述服务订单相关的历史数据可以包括起始位置、目的地、实际到达时间(ATA)、路线信息(例如，从起始位置到目的地的行驶距离、道路状况)、交通灯信息(例如，交通灯的数量、交通信号灯的发光时间、提供方信息(例如，车辆速度、超车频率、驾驶经验)、天气状况、交通事故信息等，或其任何组合。所述采集模块302可以将所述历史数据传输给所述确定模块304或所述指示模块306，以进一步处理。
所述确定模块304可以被配置为基于所述历史数据来确定机器学习模型。所述历史数据可以与N维坐标系相关。每个维度可以与路线的属性或特征相关。所述历史数据可以由所述确定模块340进一步分析，或者包含于训练集中，所述训练集可以包括至少两个训练样本。所述机器学习模型可以由所述确定模块340利用所述训练集生成或训练。
所述确定模块304还可以利用在线学习方法更新所述机器学习模型。所述机器学习模型可以利用更新数据来更新。所述更新数据可以与一个或以上新的服务订单相关。在一些实施例中，所述新的服务订单可以在一段时间内(例如，每三个月)获取。在一些实施例中，所述新的服务订单可以基于服务订单数目(例如，每10,100,1,000、或者10,000个服务订单)来获取。
在一些实施例中，所述机器学习模型可以存储在存储设备中，作为可以在用户终端(例如，司机终端)或在线平台(例如，服务器)中使用的应用或其一部分。例如，所述机器学习模型可以被传输到可以用作运输服务的司机终端的智能电话，并且所述司机可以登录所述应用，以确定从一个位置到另一个位置的预估到达时间。再比如，所述机器学习模型可以存储于在所述按需服务系统100(例如，所述存储器150)中，乘客可以通过所述网络120或有线连接下载或者使用所述机器学习模型。在一些实施例中，所述机器学习模型可以存储到存储媒介中。例如，所述机器学习模型可以存储在非暂时性计算机可读存储媒介(例如，通用串行总线(USB)闪存盘)中，其可以被按需服务系统100或用户终端(例如，乘客终端)使用。
所述确定模块304还可以被配置为基于所述机器学习模型和/或更新的机器学习模型，来确定目标路线的预估到达时间(ETA)。目标路线的预估到达时间可以是从开始位置到与服务请求有关的目的地的持续时间。例如，所述确定模块304可将所述起始位置与所述目的地之间的目标路线的预估到达时间确定为5分钟、2小时或6小时。再比如，所述确定模块304可以进一步基于天气状况(例如，雾度或雷暴)或交通事故信息来动态调整所述起始位置与所述目的地之间的所述目标路线的预估到达时间。
所述指示模块306可以被配置为使所述请求方终端(例如，司机终端)和/或所述提供方终端显示所述预估到达时间。例如，所述指示模块306可以通过网络120，向所述请求方终端130发送与按需服务请求有关的预估到达时间信息。与所述按需服务请求有关的所述预估到达时间信息可以包括起始位置、目的地、预估到达时间、方向、地图等，或其组合。
所述处理引擎112中的模块可以通过有线连接或无线连接以互相连接或互相通信。所述有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。所述无线连接可包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee、近距离通信(NFC)或类似物或其任意组合。任两个模块可组合为单个模块，任一个模块可分成两个或两个以上单元。例如，所述采集模块302可以被集成到所述确定模块304中，以形成单个模块，所述单个模块既可以获得服务订单的历史数据，又可以基于历史数据确定机器学习模型。
图3B是304根据本申请的一些实施例所示的一种示例性确定模块的结构框图。所述确定模块304可以包括获取单元310、机器学习模型确定单元312、机器学习模型更新单元314和预估到达时间确定单元316。每个单位都可以是用于执行下述操作的硬件电路、一组存储于一个或以上存储媒介的指令和/或所述硬件电路和一个或以上存储媒介体的组合。
所述获取单元310可以被配置为获取与至少两个服务订单(即，已完成的服务请求)相关的历史数据。所述获取单元310可以从本申请中其他地方公开的存储设备(例如，所述数据库150、集成在所述处理引擎112中的存储模块(未示出)等)获得所述历史数据。
所述机器学习模型确定单元312可以被配置为确定机器学习模型。所述机器学习模型确定单元312可以基于所述历史数据确定高维稀疏特征。所述历史数据可以包括在训练集中，所述训练集包括至少两个训练样本。所述机器学习模型确定单元312可以利用所述高维稀疏特征确定和/或训练机器学习模型。
所述机器学习模型更新单元314可以被配置为利用在线学习方法更新所述机器学习模型。所述机器学习模型更新单元314可以利用更新数据更新所述机器学习模型。所述数据更新可以与一个或以上新的服务订单相关，基于所述服务订单的数目进行(例如，每10,100,1,000、或10,000个服务订单)。
所述ETA确定单元316可以被配置为确定目标路线的预估到达时间。所述预估到达时间确定单元316可以基于起始位置、目的地、和所述机器学习模型和/或已更新的机器学习模型，来确定所述目标路线的预估到达时间。所述起始位置和目的地可以从服务请求的用户终端接收而来。所述预估到达时间确定单元316可以基于天气条件动态调整所述开始位置和所述目的地之间的所述目标路线的预估到达时间。
图4是根据本申请的一些实施例所示的确定目标路线的预估到达时间的一种示例性流程的流程图。在一些实施例中，所述过程400可以由所述按需服务系统100执行。例如，所述过程400可以被实现为存储在存储器150、存储ROM 230和/或RAM 240中的一组指令(例如，应用程序)。所述处理引擎112可以执行所述指令，并且当执行所述指令时，其可以被配置为使得所述服务器110在在线按需服务平台中执行所述过程400。所述平台可以为基于互联网的平台，其通过所述互联网连接按需服务提供方和请求方。
在402中，所述处理引擎112(例如，所述采集模块302或所述获取单元310)可以获得与一个或以上按需服务订单有关的历史数据。所述按需服务订单可以基于按需服务请求生成，所述请求可以在存储器(例如存储器150)中记录并分类。所述按需服务订单可以在一段时间段内被记录。所述时间段可以由用户或按需服务系统100的管理员手动设置，或者由所述处理引擎112自适应地设置(例如，收集一定数量的按需服务订单)。
与所述按需服务有关的历史数据可以包括基本路线信息、车辆信息、提供方信息等，或其组合。所述基本路线信息可以包括开始位置、目的地、路线里程、开始和/或接送时间、所述实际到达时间(ATA)、路线的拥塞部分(例如，在高峰时段的拥挤道路)、路况、路线的交通灯信息(例如，交通灯的数量、交通信号灯的定时长度)、是否涉及收费等，或其组合。所述车辆信息可以包括驾驶模式(例如，自动模式、手动模式)、车辆类型(例如，轿车、越野车(SUV)、多用途车辆)、乘员人数(对于高承载率车辆(HOV)车道)等，或其组合。所述提供方信息可以包括驾驶者的驾驶经验(例如，驾驶里程、驾驶年数)、偏好的驾驶速度、超车频率、性别、出生日期等。
在一些实施例中，所述历史数据可以由所述处理引擎112利用电信号进行编码。与所述路线有关的所述电信号编码历史数据可以由司机终端或乘客终端生成。例如，由所述提供方终端140(例如，智能手机)执行的所述司机终端可以将所述电信号传送至所述处理引擎112。所述处理引擎112可以接收所述电信号。在一些实施例中，所述按需服务系统100的部件可以通过有线连接或无线连接传送所述电信号。例如，所述处理引擎112可以通过网络120从所述存储器150获取所述电信号。
在404中，所述处理引擎112(例如，所述确定模块304，或所述机器学习模型确定单元312)可以基于所述历史数据确定高维稀疏特征。例如，所述处理引擎112可以从所述历史数据中获取和/或提取特征，并且进一步基于所述特征确定高维稀疏特征。所述特征可以影响路线的行驶时间。例如，如果道路的一部分由于车祸而处于交通堵塞中，则沿着包括所述路段的路线的行驶时间可能比正常情况下、或沿着不包括该道路的路线上的行驶时间长。
所述特征可以通过使用例如梯度提升决策树(GBDT)算法、独热编码算法等，或其组合。例如，如果路线的特征是分类特征，则所述处理引擎112可以使用独热编码算法来将特征编码为数字形式。再比如，如果所述路线的特征是连续特征，则所述处理引擎112可以使用GBDT算法将所述特征编码为数字形式。再比如，如果所述路线的特征是分类特征和连续特征的组合，则处理引擎112可以使用独热编码算法和/或GBDT算法将所述特征编码为数字形式。在本申请的其他地方(例如，结合图5)描述了基于所述历史数据确定所述高维稀疏特征的详细过程和/或方法。
图5是根据本申请的一些实施例所示的确定所述高维稀疏特征的一种示例性流程的流程图。在一些实施例中，所述过程500可以由所述按需服务系统100执行。例如，所述过程500可以被实现为存储在存储器150、存储ROM 230和/或RAM 240中的一组指令(例如，应用程序)。所述处理引擎112可以执行所述指令，并且当执行所述指令时，其可以被配置为使得所述服务器110在在线按需服务平台中执行所述过程500。所述平台可以为基于互联网的平台，其通过所述互联网连接按需服务提供方和请求方。
在502中，所述处理引擎112(例如，所述采集模块302或所述获取单元310)可以从所述历史数据中获取和/或提取特征。所述特征可以是路线的特征。所述路线可以有至少两个路段。所述路段至少可以部分基于道路等级、红绿灯、城市、省、国家、地理环境、与所述道路或所述路线相关的交通标识等，或其任意组合进行划分。例如，所述路段可以基于所述道路等级进行划分。所述道路等级可以包括一级高速公路、二级高速公路、三级高速公路、本地路段等，或其任意组合。再比如，所述路段可以基于红绿灯和/或高路公路出口进行划分。相应地，路线可以包括第一路段、第二路段、第三路段、……、第N路段。相邻的两个路段可以通过至少一个红绿灯进行连接。再比如，所述路段可以基于所述地理环境进行划分。例如，河流、桥、铁路、收费站等或其任意组合可以用于将道路划分成两个相邻的路段。
所述特征可以包括交通状况、路线的总行驶距离(或已行驶距离)、开始时间、结束时间、开始位置、目的地、卫星定位采样点的序列、在指定道路等级上的行驶距离、路段数量、有交通灯的十字路口数量、每个交通灯的发光时间、无交通灯的十字路口数量、车辆状态、司机的驾驶经验等，或其任何组合。
所述交通状况可以包括所述道路上的车辆平均移动速度(实时或预估的)。所述驾驶距离可以包括所述总距离或每个路段的距离。所述开始时间可以包括请求方被接到的时间、用户(例如，司机)接收或确认服务请求的时间，和/或请求方开始地图导航服务的时间(例如，通过安装在由用户操作的智能手机中的导航应用程序)。所述起始位置可以是乘客被接到的位置、乘客等待司机的位置和/或请求方开始地图导航服务的位置。所述卫星定位采样点的序列可以是包括可由定位技术(例如，GPS)确定的车辆位置和/或请求方位置的序列。从指定等级道路开始的行驶距离可以是车辆在特定等级道路上行驶的距离，例如高速公路、本地道路、一级道路、二级道路、三级道路、收费公路等。每个交通灯的发光时间可以是每个交通灯开启和/或关闭的时间，或者每个交通灯的持续时间。例如，司机可在红灯时停车，并在绿灯亮起时继续行驶。再比如，绿灯亮的时间段允许所述司机起步或继续行驶。路段的数量可以是一条路线中的路段的总数。所述车辆状态可以包括交通服务请求的访问状态(例如，是否可以接受服务请求)、响应概率、司机偏好、车型、驾驶模式、车辆当前乘客数量、车辆的最大乘客量、车辆颜色、司机服务等级、车辆当前速度、或任意车辆相关信息等，或其任意组合。所述驾驶经验可以包括司机的驾驶里程、驾驶年数、超车频率、偏好的驾驶速度等，或其任何组合。
在一些实施例中，可以至少部分地基于其他因素来获得和/或提取所述特征，例如从其他资源(例如，天气预报系统、交通指导系统或交通无线电系统)。所述信息可以包括天气信息、交通事故信息、交通拥堵状况、交通管制或任何路线相关信息。所述天气状况可以包括实时天气信息、大体上实时天气信息、天气预报信息等。所述处理引擎112可以从所述存储装置150、天气状况平台(例如，天气预报网站)、交通指导平台和/或提供信息的任何其他设备等获得信息。例如，所述特征可以基于与所述路线相关的数据和与所述路线相关的交通状况来确定。
在一些实施例中，所述特征可以包括分类特征或连续特征。如本文所用，分类特征通常是指可以基于一些定性属性从一小组离散值(通常是固定的)中取值的特征。本文使用的连续特征通常是指可以从无限的一组值中取值的特征。
在一些实施例中，所述分类特征可以包括所述开始位置、目的地、道路等级、车辆类型、驾驶模式、车辆颜色、道路状况、天气状况、交通拥堵状况、交通管制等，或其任何组合。例如，如果所述车辆类型包括轿车、SUV和MPV，则所述处理引擎112可以确定作为分类特征的所述车辆类型。在一些实施例中，所述连续特征可以包括行驶距离，路线的行驶时间、交通灯的数量、交通灯的发光时间、车辆速度、超车频率、交通状况、道路的数量、具有交通灯的十字路口的数量、每个交通灯的发光时间、无交通灯的十字路口的数量等，或其任何组合。
在504中，所述处理引擎112(例如，所述确定模块304，或所述机器学习模型确定单元312)可以确定是否所述特征是(或包括)分类特征。如果所述处理引擎112确定所述特征是分类特征，则所述处理引擎112可以通过使用独热编码算法基于所述特征来确定所述高维稀疏特征。另一方面，所述处理引擎112确定该特征不是(或不包括)分类特征，则所述处理引擎112可通过使用GBDT算法，来确定所述高维稀疏特征。
在一些实施例中，如果所述处理引擎112确定特征不是(或不包括)分类特征，则所述处理引擎112可以确定该特征是否包括连续特征。
在一些实施例中，所述特征可以包括至少特征，包括例如分类特征、连续特征等，或其任何组合。例如，如图6-A和图6-B所示，当所述特征包括行驶距离和道路类型时，所述处理引擎112可以将所述行驶距离确定为连续特征，并且将所述道路类型确定为分类特征。在一些实施例中，所述处理引擎112可以跳过步骤504，而进到步骤506。例如，如果所述处理引擎112确定所述分类特征的数量小于预定值，则所述处理引擎112可以通过使用GBDT算法(如图6-A、6-C和6-E所示)，基于所述分类特征和所述连续特征，来确定所述高维稀疏特征。
在一些实施例中，响应于确定所述特征是(或包括)分类特征，所述处理引擎112(例如，所述确定模块304或所述机器学习模型确定单元312)可执行步骤512，并确定所述特征的属性。所述特征的属性可以是所述特征包括的可能状态的数量，并且所述特征中包括的状态可以是相互排斥的。例如，如图6-B所示，道路类型包括的可能状态的数量是两个(例如，单向道路和双向道路)，所述处理引擎112可以确定所述道路类型的属性为两个。再比如，如图6-D所示，所述车辆类型包括的可能状态的数量是三个(例如，轿车、SUV和MPV)，所述处理引擎112可以确定所述道路类型的属性为三个。
在514中，所述处理引擎112(例如，所述确定模块304，或者所述机器学习模型确定单元312)可以基于所述属性确定独热编码。所述独热编码可以以，例如，矢量、矩阵等或其任何组合的形式，来表示所述特征包括的可能状态。例如，所述独热编码可以包括表示所述状态“有效”或“无效”的二进制向量(例如，“1”表示状态“有效”，“0”表示状态“无效”)。在一些实施例中，所述独热编码可以包括与所述属性相关的一维元素、二维元素、三维元素、...、N维(其中N是整数)元素。例如，如果道所述路类型(即，特征)的属性是两个，则所述处理引擎112可以确定所述道路类型的独热编码是二维的(例如，“单向道路”，“双向道路“)。如图6-B所示，[1，0]可以表示单向道路的独热编码，其可以表明所述道路是单向道路。[0，1]可以表示双向道路的独热编码，表明所述道路是双向道路。再比如，如果所述车辆类型的属性是三个，则所述处理引擎112可以确定所述车辆类型为三维的独热编码(例如[“轿车”，“SUV”，“MPV”])如图6-D所示，[1，0，0]可以表示轿车的独热编码，[0，1，0]可以表示SUV的独热编码，并且[0，0，1]可以表示MPV的独热编码。
在516中，所述处理引擎112(例如，所述确定模块304，或所述机器学习模型确定单元312)可以基于所述独热编码确定所述高维稀疏特征。所述高维稀疏特征可以为数学表达式(例如，矢量或矩阵)，以描述整体路线的特征。在一些实施例中，路线可以包括至少两个特征，例如数百个特征、数千个特征、数百万个特征等。所述处理引擎112可以确定所述高维稀疏特征，包括与至少两个特征相关的部分和/或全部独热编码。例如，对于出租车呼叫订单，如果路线的特征包括单向道路和SUV(例如[“单向道路”，“SUV”]、[“SUV”，“单向道路”])，所述处理引擎112可以确定单向道路的独热编码是[1，0]，并且SUV的独热编码是[0，1，0]，而且所述处理引擎112可以进一步确定高维稀疏特征是[1，0，0，1，0]。
在一些实施例中，所述路线包括至少两个路段。所述高维稀疏特征不仅可以包括所述路线中的单个路段的特征，而且还可以包括反映不同单个路段之间的相互作用的特征。在一些实施例中，所述高维稀疏特征可以是具有单个列或单个行的向量。所述高维稀疏特征可以与N维坐标系相关。每个维度可以与所述路线的一个属性或特征相关。在一些实施例中，所述高维稀疏特征可以排除路线与另一路线的交互关系。例如，可以根据单个路线来确定所述高维稀疏特征。在一些实施例中，所述高维稀疏特征可以包括不同路线之间的交互关系。例如，目标路线的所述高维稀疏特征可以根据所述路况可能影响目标路线的两条或更多条路线(例如，数百条路线、数千条路线或数百万条路线)来确定。所述高维稀疏特征可以被进一步包括在训练组中，所述训练组可以包括至少两个训练样本。在一些实施例中，所述至少两个训练样本的每一个可以与每个按需服务订单的历史数据相关。例如，如果出租车呼叫服务订单完成，则所述处理引擎112可以确定与所述出租车呼叫服务订单的历史数据相关的高维稀疏特征可以是训练样本，并且将与所述服务订单相关的数据作为训练样本保存到存储设备中。所述高维稀疏特征和/或所述训练集可以用于通过使用本申请其他地方所述的机器学习方法来训练和/或建立模型。
在一些实施例中，响应于确定所述特征不是(或不包括)分类特征(例如，所述特征是或包括连续特征)，所述处理引擎112(例如，所述确定模块304，或所述机器学习模型确定单元312)可执行步骤506，并基于所述特征确定树信息。所述树信息可以包括树的数量(例如，一棵树、两棵树、...、N棵树，其中N是整数)、树的深度等，或其任何组合。树的数量可以与迭代法有关。所述迭代次数可以由用户(通过例如，所述服务器110、所述请求方终端130和/或所述提供方终端140的输入)或所述按需服务系统100的管理员手动设置，或者由所述处理引擎112自适应地设置(例如，收集一定数量的按需服务订单)。树的深度可能与所述特征的数量有关。例如，如果所述处理引擎112确定所述特征的数量是5，并且所述树迭代一次，则所述处理引擎112可以确定所述树的数量是1，并且所述树的深度是5。在一些实施例中，树的数量可以根据所述深度自适应地设置。例如，如果树的深度小于预定值，则所述处理引擎112可以基于所述深度和总特征来确定树的数量。
在508中，所述处理引擎112(例如，所述确定模块304，或者所述机器学习模型确定单元312)可以基于所述树信息确定叶节点编码。所述叶节点编码可以包括二进制向量，所述二进制向量表示特征的状态是否满足条件(例如，“1”可以表示满足条件的特征的状态，“0”可以表示不满足条件的特征的状态)。例如，如图6-A所示，如果包括两个特征的所述历史数据的行驶距离不多于500米，所述处理引擎112可以确定“行驶距离>500m”的叶节点编码是0。并且，如果所述处理引擎112确定所述历史数据的道路类型是单向道路，则所述处理引擎112还可以确定“单向道路”的叶节点编码是1，并且“双向公路”的叶节点编码为0。再比如，如图6-E所示，如果处理引擎112确定包括三个特征的所述历史数据的行驶距离不多于500米，所述处理引擎112可以确定“行驶距离＞500m”的叶节点编码是0。并且，如果所述处理引擎112确定所述历史数据的道路类型是双向道路，则所述处理引擎112还可以确定“单向”的叶节点编码是0。而且，如果所述处理引擎112确定所述历史数据的交通灯数量不多于两个，则所述处理引擎112可以进一步确定“交通灯>2”的叶节点编码为0，并且“交通灯≤2”的叶节点编码为1。
在510中，所述处理引擎112(例如，所述确定模块304，或所述机器学习模型确定单元312)可以基于所述叶节点编码确定所述高维稀疏特征。所述高维稀疏特征可以为数学表达式(例如，矢量或矩阵)，以描述整体路线的特征。所述处理引擎112可以确定所述高维稀疏特征包括与至少两个特征相关的部分和/或全部所述独热编码。例如，如图6-A所示，所述处理引擎112可以确定是高维稀疏特征是[1，0，0]。例如，如图6-E所示，所述处理引擎112可以确定是所述高维稀疏特征是[0，1，0，0]。
在一些实施例中，所述处理引擎112可以通过使用所述独热编码算法，基于所述至少两个特征的分类特征来确定所述高维稀疏特征，并且通过使用GBDT算法(例如，如图6-B和6-D所示)，基于所述至少两个特征的连续特征来确定所述高维稀疏特征。例如，如果历史数据包括所述分类特征和所述连续特征，所述处理引擎112(例如，所述确定模块304，或者所述机器学习模型确定单元312)可以执行步骤518，并且基于所述独热编码的叶节点确定所述高维稀疏特征。在一些实施例中，在518中，所述处理引擎112可以将所述叶节点和所述独热编码输入到因子分解机(FM)，并且基于所述叶节点、独热编码和FM的结果生成所述高维稀疏特征。
需要注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域的普通技术人员来说，根据本公开的教导可以做出多种变化和修改。诸如此类的变化与改进，均在本发明的保护范围之内。
回到图4，可以基于所述高维稀疏特征来确定步骤406中获得的所述高维稀疏特征的机器学习模型。在一些实施例中，所述机器学习模型可以由所述处理引擎112(例如，所述确定模块304或所述机器学习模型确定单元312)确定。或者，所述机器学习模型可由另一计算装置(或其处理器)确定，并且所述处理引擎112可在406中，从所述另一计算装置(或存储机器学习模型的存储装置)获得所述机器学习模型。为了简化说明，仅使用所述处理引擎112来描述确定所述机器学习模型的过程，但具有本领域普通技术的人员将理解，不同的处理器可以执行确定所述机器学习模型的过程。
在一些实施例中，所述机器学习模型可以包括因子分解机器(FM)、基于域的分解机(FFM)，或任何包括分解高阶参数(例如，二阶参数、三阶参数)的其他模型，等或其任何组合。例如，所述处理引擎112可以将FM确定为机器学习模型，并且基于所述高维稀疏特征来训练所述FM。
例如，对于二阶多项式，所述处理引擎112可以将FM确定为：
Figure BDA0003648708050000191
其中y(x)表示目标路线的预估到达时间，i(i＝1，2，...，n)和j(j＝i+1，i+2，...，n)表示x的序列，n表示所述高维稀疏特征的特征项个数，xi表示所述高维稀疏特征的第i个特征项，xj表示高维稀疏特征的第j个特征项，w0表示常量参数，wi表示xi的单项参数，<vi,vj>表示xixj的二阶参数，vi表示第i个特征项的隐式向量，并且
Figure BDA0003648708050000201
在一些实施例中，所述处理引擎112可以基于所述高维稀疏特征训练所述FM。例如，对于所述二阶多项式，所述处理引擎112可以将与出租车呼叫服务订单相关的行驶持续时间确定为y(x)，并将与所述出租车呼叫服务订单相关的高维稀疏特征确定为x，然后将所述处理引擎112可以确定FM的恒定参数、单项参数和二阶参数中的至少一个。
在一些实施例中，所述处理引擎112可以确定FFM为所述机器学习模型。例如，如果所述高维稀疏特征的特征项属于不止一个场，则所述处理引擎112可将FFM确定为所述机器学习模型。所述FM可以是特定的FFM，所述高维稀疏特征的特征项目属于一个域。
需要注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域的普通技术人员来说，根据本公开的教导可以做出多种变化和修改。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。例如，可以使用包括至少两个训练样本的训练集来训练和/或生成机器学习模型。
在408中，所述处理引擎112(例如，所述确定模块304、所述机器学习模型更新单元314，或不同的计算设备)可以使用在线学习方法来更新所述机器学习模型。例如，如果所述处理引擎112记录另一按需服务订单，所述处理引擎112可以获取与另一按需服务订单相关的最近历史数据，并基于所述最近历史数据更新所述机器学习模型。所述最新历史数据可以包括已行驶距离和至少一个最近特征。在一些实施例中，所述最近历史数据可以包括至少一个历史服务订单，所述历史服务订单不同于用于确定上述机器学习方法中包含的服务订单。在一些实施例中，所述在线学习方法可以是基于所述最近历史数据来优化机器学习模型的方法。
在一些实施例中，可以基于用于更新图7中所示的机器学习模型的示例性过程700，来执行所述过程400的步骤408。在一些实施例中，所述过程700可以由所述按需服务系统100执行。例如，所述过程700可以被实现为存储在存储器150、存储ROM 230和/或RAM 240中的一组指令(例如，应用程序)。所述处理引擎112可以执行所述指令，并且当执行所述指令时，其可以被配置为使得所述服务器110在在线按需服务平台中执行所述过程700。所述平台可以为基于互联网的平台，其通过所述互联网连接按需服务提供方和请求方。
在702中，所述处理引擎112可以获得和/或提取与另一个按需服务有关的最近历史数据。步骤702可以用与步骤402基本相同的方式执行。
在一些实施例中，所述另一按需服务订单可以不同于用于确定所述机器学习模型的按需服务订单。在一些实施例中，所述最近历史数据可能与至少两个按需服务订单有关，所述至少两个按需服务订单不同于用于确定所述机器学习模型的至少两个按需服务订单。所述至少两个按需服务订单可以在一段时间段内被记录。所述时间段可以由用户或按需服务系统100的管理员手动设置，或者由所述处理引擎112自适应地设置(例如，收集一定数量的按需服务订单)。
在704中，所述处理引擎112可以基于所述最近历史数据确定最近的高维稀疏特征。所述最近的高维稀疏特征的确定可以用与步骤404基本相同的方式执行。
在706中，所述处理引擎112(例如，所述确定单元304或所述机器学习模型更新单元314)可以基于所述最近的高维稀疏特征来更新所述机器学习模型。所述更新方法可以是在线学习方法。所述在线学习方法可以包括遵循正规化领导者(FTRL)、在线梯度下降(OGD)、随机梯度下降(SGD)、前后向分裂方法(FOBOS)或正则化双平均(RDA)等，或其任何组合。例如，如果所述处理引擎112基于所述最近的高维稀疏特征来确定包括参数w的机器学习模型，则所述处理引擎112可以通过公式(2)用FTRL来更新所述机器学习模型的参数w：
Figure BDA0003648708050000211
其中wt+1表示更新的参数，t表示迭代次数，w表示所述机器学习模型的参数，g表示w的梯度的损失函数，
Figure BDA0003648708050000212
ηt表示学习速率，λ1表示L1正则化系数。在一些实施例中，所述学习速率可以随着迭代次数增加而降低。在一些实施例中，所述L1正则化系数可以是零。
需要注意的是，上述描述仅是为了说明，并不构成对本申请范围的限制。对于本领域的普通技术人员来说，根据本公开的教导可以做出多种变化和修改。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
回到图4，在410中，所述处理引擎112(例如，所述确定模块304或所述预估到达时间确定单元316)可以基于所述机器学习模型确定目标路线的预估到达时间。例如，如果所述处理引擎112从用户设备接收到开始位置和目的地，所述处理引擎112可以基于所述开始位置和所述目的地确定目标路线，然后基于所述目标路线确定所述目标路线的预估到达时间机器学习模型。在一些实施例中，所述处理引擎112可以基于所述未更新的机器学习模型，确定所述目标路线的预估到达时间。例如，所述处理引擎112可以跳过步骤408，而进到步骤410。
在一些实施例中，步骤410可以在电子设备中执行，例如智能手机、个人数字助理(PDA)、平板电脑、手提电脑、车载电脑(车载计算机)、便携式游戏站(PSP)、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、现实增强设备(例如GoogleTM眼镜、Oculus Rift、HoloLens或Gear VR)等或其任何组合。
在一些实施例中，可以基于确定图8所示目标路线的预估到达时间的示例性过程800，来执行所述过程400的步骤410。在一些实施例中，所述过程800可以由所述按需服务系统100执行。例如，所述过程800可以被实现为存储在存储器150、存储ROM 230和/或RAM 240中的一组指令(例如，应用程序)。所述处理引擎112可以执行所述指令，并且当执行所述指令时，其可以被配置为使得所述服务器110在在线按需服务平台中执行所述过程800。所述平台可以为基于互联网的平台，其通过所述互联网连接按需服务提供方和请求方。
在802中，所述处理引擎112(例如，采集模块302)可以从用户设备(例如，请求方终端130)接收开始位置和目的地。所述起始位置和目的地可以与可由乘客发送的用于出租车叫车服务的请求相关。所述按需服务系统可以根据所述起始位置和所述目的地接收所述请求，并确定目标路线。在一些实施例中，当司机确认或接收来自所述按需服务系统100的服务请求时，可从所述提供方终端140获得所述目标路线。在一些实施例中，当乘客建立对运输服务的请求并且确认从所述按需服务系统100发送的服务请求时，可以从所述请求方终端130获得所述目标路线。在一些实施例中，所述处理引擎112可以基于所述开始位置和所述目的地来确定可能与地图(例如，北京的基于道路的地图)相关的至少两个目标路线，并且至少两个目标路线可以之间可以直接或间接相关。在一些实施例中，所述目标路线可以包括本申请其他地方(例如在502中)所述的至少两个路段。
在804中，所述处理引擎112(例如，所述确定模块304)可以基于所述开始位置和目的地来确定目标高维稀疏特征。在一些实施例中，所述目标高维稀疏特征可以包括N个维度，其中所述N可以响应于从包括所述开始位置和所述目的地的目标路线获得的N个特征。例如，如果所述处理引擎112可以从所述目标路线中选择2000个特征，则可以将包括2000列或2000行的矢量确定为目标高维稀疏特征。
在一些实施例中，所述目标高维稀疏特征的维度可以小于所述高维稀疏特征的维度。如果所述目标路线中的一个或以上特征被遗漏，则与所述目标路线相关的目标高维稀疏特征的维度可能减小，并且具有减少维度的目标高维稀疏特征(例如具有R列或R行的矢量或，其中R可能小于N)。在一些实施例中，如果所述目标路线中的一个或以上特征被遗漏，则所述处理引擎112可以确定仍然具有N列或N行的目标高维稀疏特征；并且与缺失特征相关的列或行可以由缺省值(例如，空值)描述。
在806中，所述处理引擎112(例如，所述确定模块304)可以基于所述机器学习模型和所述目标高维稀疏特征来确定所述目标路线的预估到达时间。所述处理引擎112可以将所述目标高维稀疏特征确定为所述机器学习模型的输入，并且所述机器学习模型可以根据输入产生输出。例如，如果涉及接受来自所述按需服务系统100的出租车呼叫服务的请求，则所述处理引擎112可以确定具有一个或以上路段的目标路线。所述处理引擎112可以根据所述目标路线确定具有N个维度的目标高维稀疏特征，并且所述处理引擎112可以通过将所述目标高维稀疏特征输入到所述机器学习模型中，来进一步确定所述目标路线的预估到达时间。
在808中，所述处理引擎112(例如，所述指示模块306)可以传送所述已确定的预估到达时间。在一些实施例中，所述已确定的预估到达时间可以被传输到包括电子设备的所述请求方终端130和/或所述提供方终端140，所述电子设备诸如智能手机、个人数字助理(PDA)、平板电脑、手提电脑、车载电脑(车载计算机)、便携式游戏站(PSP)、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、现实增强设备(例如GoogleTM Glass、Oculus Rift、HoloLens或Gear VR)等或其任何组合。在一些实施例中，所述处理引擎112可以将所述已确定的预估到达时间传输到所述提供方终端140、所述请求方终端130和/或所述按需服务系统100的任何组件(例如，所述存储器150)。所述终端可以在用户界面中显示所述接收到的EAT。在一些实施例中，所述确定的预估到达时间可以发送给司机，所述司机可以决定是否选择服务请求的所述目标路线(例如，司机可以根据另外一条不同于目标路线的路线驾驶出租车)。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类变更、改进和修正在本申请中被建议，所以该类变更、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如术语“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关之某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固体、常驻软件、微代码)执行、也可以由硬件和软件组合执行以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可能表现为位于一个或以上计算机可读媒介中的计算机产品，该产品包括计算机可读程式编码。
计算机可读信号媒介可以包括一个含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。所述传播信号可以有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号媒介可以为除计算机可读存储媒介之外的任何计算机可读媒介，该媒介可以通过连接至指令执行系统、设备或装置以实现通信、传播或传输供使用的程序。位于计算机可读信号媒介上的程序编码可以通过任何合适的媒介进行传播，包括无线电、电缆、光纤缆线、RF、或类似媒介、或任何上述媒介的组合。
用于执行本申请的各方面操作的计算机程序代码可以以一种或多种程序设计语言的任何组合来编写，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等)、传统编程语言(诸如“C”编程语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP)、动态编程语言(诸如Python，Ruby和Groovy)，或其他编程语言。所述程序设计编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过使用因特网服务提供商之因特网)，或在云端计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，否则所述处理元素或序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，所述类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动装置上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归幷至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种确定预估到达时间(ETA)的方法，包括：
从用户设备接收用户的起始位置和目的地；
基于所述起始位置和所述目的地确定目标路线；
基于所述目标路线确定目标高维稀疏特征；
基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；
传输所述预估到达时间。
2.如权利要求1所述的方法，确定所述目标高维稀疏特征涉及决策树类算法或独热编码算法中的至少一种。
3.如权利要求2所述的方法，所述决策树类算法包括GBDT算法。
4.如权利要求1所述的方法，所述基于所述目标路线确定目标高维稀疏特征包括：
基于所述路线获取特征；
基于所述特征确定树信息；
基于所述树信息确定叶节点编码；以及
基于所述叶节点编码确定所述目标高维稀疏特征。
5.如权利要求1所述的方法，所述基于所述目标路线确定目标高维稀疏特征包括：
基于所述路线获取特征；
确定所述特征包括分类特征时，确定所述特征对应的属性；
基于所述属性确定独热编码；以及
基于所述独热编码确定所述目标高维稀疏特征。
6.如权利要求5所述的方法，还包括：
确定所述特征还包括连续特征时，根据所述特征确定树信息；
基于所述树信息确定叶节点编码；以及
基于所述叶节点编码和所述独热编码确定所述目标高维稀疏特征。
7.如权利要求1所述的方法，所述机器学习模型涉及因子分解机(FM)或基于域的分解机(FFM)中的至少一个。
8.如权利要求1所述的方法，所述目标路线包括至少两个路段，所述目标高维稀疏特征包括：所述目标路线中的路段的特征和反映所述目标路线中不同路段之间的相互作用的特征。
9.一种确定预估到达时间(ETA)的系统，一个存储设备，所述存储设备存储一组指令集；及
在线按需服务平台的至少一个处理器，所述处理器被配置为与所述存储设备通信，其中，当执行所述指令集时，所述至少一个处理器被配置为使所述系统：
通过网络从用户设备接收起始位置和目的地；
基于所述起始位置和所述目的地确定目标路线；
基于所述目标路线确定目标高维稀疏特征；
基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；
传输所述预估到达时间。
10.一种包括指令的非暂时性机器可读存储媒介，当所述指令被在线按需服务平台的至少一个处理器访问时，使所述至少一个处理器：
通过网络从用户设备接收起始位置和目的地；
基于所述起始位置和所述目的地确定目标路线；
基于所述目标路线确定目标高维稀疏特征；
基于机器学习模型和所述目标高维稀疏特征确定所述目标路线的预估到达时间；
传输所述预估到达时间。
CN202210536958.7A 2017-05-22 2017-05-22 确定预估到达时间的方法与系统 Active CN114944059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210536958.7A CN114944059B (zh) 2017-05-22 2017-05-22 确定预估到达时间的方法与系统

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201780089617.7A CN110537212B (zh) 2017-05-22 2017-05-22 确定预估到达时间的系统与方法
PCT/CN2017/085375 WO2018213996A1 (en) 2017-05-22 2017-05-22 Systems and methods for determining estimated time of arrival
CN202210536958.7A CN114944059B (zh) 2017-05-22 2017-05-22 确定预估到达时间的方法与系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201780089617.7A Division CN110537212B (zh) 2017-05-22 2017-05-22 确定预估到达时间的系统与方法

Publications (2)

Publication Number Publication Date
CN114944059A true CN114944059A (zh) 2022-08-26
CN114944059B CN114944059B (zh) 2023-11-03

Family

ID=64395050

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201780089617.7A Active CN110537212B (zh) 2017-05-22 2017-05-22 确定预估到达时间的系统与方法
CN202210536958.7A Active CN114944059B (zh) 2017-05-22 2017-05-22 确定预估到达时间的方法与系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201780089617.7A Active CN110537212B (zh) 2017-05-22 2017-05-22 确定预估到达时间的系统与方法

Country Status (4)

Country Link
US (1) US11085792B2 (zh)
CN (2) CN110537212B (zh)
TW (1) TWI689744B (zh)
WO (1) WO2018213996A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11410020B2 (en) * 2018-07-06 2022-08-09 Geet Garg Machine learning models for predicting time in traffic
CN110782648B (zh) * 2018-12-03 2022-02-18 北京嘀嘀无限科技发展有限公司 确定预计到达时间的系统和方法
CN110222167B (zh) * 2019-07-03 2023-04-07 创新先进技术有限公司 一种获取目标标准信息的方法和系统
CN111860903A (zh) * 2019-09-18 2020-10-30 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
WO2021051329A1 (en) * 2019-09-19 2021-03-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining estimated time of arrival in online to offline services
CN110986985B (zh) * 2019-12-17 2022-07-12 广州小鹏汽车科技有限公司 车辆行程推送方法、装置、介质、控制终端及汽车
CN111681430B (zh) * 2020-04-30 2022-03-29 安徽科力信息产业有限责任公司 实时预测未来机动车到达信号灯路口停止线台数的方法
CN111681415B (zh) * 2020-04-30 2023-06-20 安徽科力信息产业有限责任公司 一种快速路机动车数量实时预测方法及系统
US20220101273A1 (en) * 2020-09-30 2022-03-31 Commonwealth Edison Company Methods and systems for forecasting estimated time of restoration during service interruption
CN112529388A (zh) * 2020-12-03 2021-03-19 领悦数字信息技术有限公司 试驾用时评估装置、试驾用时评估方法以及介质
CN113129580B (zh) * 2021-03-09 2022-04-26 北京航空航天大学 一种基于北斗大数据和人脸识别的车辆调度系统
US20230004931A1 (en) * 2021-06-30 2023-01-05 Transportation Ip Holdings, Llc Systems and methods for estimating time of arrival of vehicle systems

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN103926606A (zh) * 2013-01-16 2014-07-16 埃森哲环球服务有限公司 用于规划的旅程的资源优化、粗粒度和细粒度位置跟踪的方法和系统
US20140278051A1 (en) * 2013-03-15 2014-09-18 Apple Inc. Prediction Engine
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
CN104517155A (zh) * 2013-09-26 2015-04-15 Sap欧洲公司 用于动态路径优化的系统和方法
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
CN106056950A (zh) * 2016-06-30 2016-10-26 大连楼兰科技股份有限公司 基于obd设备的车联网周边信息推送系统及方法
CN106156992A (zh) * 2015-04-24 2016-11-23 宇龙计算机通信科技(深圳)有限公司 一种出发时间提示方法及装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8483962B2 (en) 2009-12-21 2013-07-09 Entertainment Machine Operator Method for providing route information and the system thereof
TW201137803A (en) * 2010-04-23 2011-11-01 Chunghwa Telecom Co Ltd System and method for bus dynamic system to estimate bus arrival time
JP2012008659A (ja) 2010-06-22 2012-01-12 Sony Corp データ処理装置、データ処理方法、およびプログラム
US20130151149A1 (en) * 2011-12-07 2013-06-13 Ford Global Technologies, Llc Vehicle navigation system synchronization with user calendar
US9863777B2 (en) * 2013-02-25 2018-01-09 Ford Global Technologies, Llc Method and apparatus for automatic estimated time of arrival calculation and provision
US9640074B2 (en) * 2013-12-16 2017-05-02 BusWhere LLC Permissions-based tracking of vehicle positions and arrival times
US9911170B2 (en) 2014-08-21 2018-03-06 Uber Technologies, Inc. Arranging a transport service for a user based on the estimated time of arrival of the user
CN104637334B (zh) 2015-02-10 2017-07-07 中山大学 一种公交车到站时间实时预测方法
US20160239903A1 (en) * 2015-02-12 2016-08-18 Cloudcar, Inc. System and method for efficient order fulfillment using real-time location data
CN105260471B (zh) 2015-10-19 2019-03-26 广州品唯软件有限公司 商品个性化排序模型训练方法及系统
US20170154348A1 (en) * 2015-11-30 2017-06-01 Xerox Corporation Dynamic pricing systems and related methods
US10685416B2 (en) * 2015-12-10 2020-06-16 Uber Technologies, Inc. Suggested pickup location for ride services
US20190316926A1 (en) * 2016-02-03 2019-10-17 Kevin Sunlin Wang Method and system for providing an individualized eta in the transportation industry
US10380509B2 (en) * 2016-02-03 2019-08-13 Operr Technologies, Inc. Method and system for providing an individualized ETA in the transportation industry
CN105787082A (zh) 2016-03-03 2016-07-20 腾讯科技（深圳）有限公司 信息推送方法及信息推送系统
CN105868847A (zh) 2016-03-24 2016-08-17 车智互联（北京）科技有限公司 一种购物行为的预测方法及装置
US10885472B2 (en) * 2016-06-28 2021-01-05 International Business Machines Corporation Dynamic transportation pooling
US20180315148A1 (en) * 2017-04-28 2018-11-01 Lyft, Inc. Dynamic optimized reassignment of providers at a geohash level

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN103926606A (zh) * 2013-01-16 2014-07-16 埃森哲环球服务有限公司 用于规划的旅程的资源优化、粗粒度和细粒度位置跟踪的方法和系统
US20140278051A1 (en) * 2013-03-15 2014-09-18 Apple Inc. Prediction Engine
TW201502475A (zh) * 2013-03-15 2015-01-16 Apple Inc 預測引擎
CN104517155A (zh) * 2013-09-26 2015-04-15 Sap欧洲公司 用于动态路径优化的系统和方法
CN104123841A (zh) * 2014-08-14 2014-10-29 苏州大学 一种车辆到站时间的获取方法及系统
CN106156992A (zh) * 2015-04-24 2016-11-23 宇龙计算机通信科技(深圳)有限公司 一种出发时间提示方法及装置
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
CN106056950A (zh) * 2016-06-30 2016-10-26 大连楼兰科技股份有限公司 基于obd设备的车联网周边信息推送系统及方法

Also Published As

Publication number Publication date
CN114944059B (zh) 2023-11-03
US20200096361A1 (en) 2020-03-26
WO2018213996A1 (en) 2018-11-29
CN110537212A (zh) 2019-12-03
US11085792B2 (en) 2021-08-10
CN110537212B (zh) 2022-06-07
TWI689744B (zh) 2020-04-01
TW201901185A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN110537212B (zh) 确定预估到达时间的系统与方法
TWI638320B (zh) 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體
CN109416878B (zh) 用于推荐预计到达时间的系统和方法
CN109478275B (zh) 分配服务请求的系统和方法
CN110520913B (zh) 确定预估到达时间的系统和方法
JP2019527871A (ja) 到着予定時刻を決定するシステム及び方法
CN111862585B (zh) 用于交通预测的系统和方法
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
TW201741993A (zh) 確定運輸服務路線之系統及方法
CN109791731B (zh) 一种预估到达时间的方法和系统
CN112868036A (zh) 位置推荐的系统和方法
CN112236787A (zh) 用于生成个性化目的地推荐的系统和方法
CN112154473A (zh) 用于推荐上车点的系统和方法
CN110782648B (zh) 确定预计到达时间的系统和方法
JP2019505032A (ja) サービスの順序列を更新するためのシステム及び方法
CN114041129A (zh) 确定上车点名称的系统和方法
CN110839346A (zh) 用于分配服务请求的系统和方法
CN112243487A (zh) 用于按需服务的系统和方法
CN109948822B (zh) 一种地理区域内网约车供需缺口预测方法
CN113924460B (zh) 确定服务请求的推荐信息的系统和方法
CN110832811B (zh) 用于发送空间数据的系统和方法
CN113924460A (zh) 确定服务请求的推荐信息的系统和方法

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
GR01 Patent grant
GR01 Patent grant