CN115053254A - 用于个性化地面交通处理和用户意图预测的系统和方法 - Google Patents

用于个性化地面交通处理和用户意图预测的系统和方法 Download PDF

Info

Publication number
CN115053254A
CN115053254A CN202180012352.7A CN202180012352A CN115053254A CN 115053254 A CN115053254 A CN 115053254A CN 202180012352 A CN202180012352 A CN 202180012352A CN 115053254 A CN115053254 A CN 115053254A
Authority
CN
China
Prior art keywords
data
user
travel
destination
trip
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
Application number
CN202180012352.7A
Other languages
English (en)
Inventor
埃万盖洛斯·斯莫迪斯
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.)
Sanepus Partnership Co ltd
Original Assignee
Sanepus Partnership 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 Sanepus Partnership Co ltd filed Critical Sanepus Partnership Co ltd
Publication of CN115053254A publication Critical patent/CN115053254A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • 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
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0265—Vehicular advertisement
    • G06Q30/0266—Vehicular advertisement based on the position of the vehicle
    • 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
    • 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
    • G06Q50/43—Business processes related to the sharing of vehicles, e.g. car sharing
    • G06Q50/47—Passenger ride requests, e.g. ride-hailing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Social Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

本公开提供了用于在用户沿着路线旅行时预测行程意图或目的地的方法和系统。该方法可以包括：(a)接收路线的起始地理位置和关于用户的身份的数据；(b)至少部分地基于关于用户的身份的数据来检索经训练的分类器；(c)使用经训练的分类器来基于起始地理位置预测行程意图或目的地；以及(d)当用户在陆地车辆中沿着所述路线的至少一部分旅行时，在电子设备上向用户呈现一个或多个交易选项，其中基于在(c)中预测的行程意图或目的地来识别一个或多个交易选项。

Description

用于个性化地面交通处理和用户意图预测的系统和方法
交叉引用
本申请要求于2020年2月3日提交的美国临时申请号62/969,472的优先权，该申请的全部内容通过引用并入本文。
背景技术
移动计算设备(诸如智能电话、平板计算机和其他便携式设备)的计算能力的快速扩展，以及用于移动设备的软件程序应用(或“应用”)的数目和进步的增长，已经在个人生产力领域大大增加了个体对设备、应用和相关平台的依赖。例如，应用被广泛用于安排会议、确定旅行路线、选择交通模式和其他功能。
出行服务的出现和接受，诸如消费者对于点对点汽车共享和叫车服务(例如，Uber
Figure BDA0003777515010000011
和Lyft
Figure BDA0003777515010000012
)的采用，鼓励了交通和移动应用的结合。下一代出行是关于自主和自动驾驶车辆、电动车辆和按需共享出行以及它们支持的用例。无需人工干预即可运行的自动驾驶车辆正在迅速改进。随着此类车辆变得自主或自动化，可能会在运输过程中向乘客或用户呈现商业和交易机会。
发明内容
本文认识到需要用于提供与诸如完全自主的无人驾驶车辆等车辆一起使用的产品或服务的方法和系统。有益地，这样的产品或服务可以有助于车辆的用户节省时间和资源。此外，其可以允许提供这些产品或服务的公司在车辆交通环境内以个性化的方式更直接地与终端消费者接触。
本公开提供了用于生成个性化的以交通为中心的体验的系统和方法，该体验具有定制的可货币化的以驾驶员和/或乘客为中心的服务。例如，本公开的系统和方法可以用于或被配置用于基于有限的位置数据来预测行程的意图或目的地。个性化的以交通为中心的体验可以随同任何交通模式提供，举例而言，诸如自主车辆、叫车服务、基于车队的服务、微交通(例如，基于车队的需求响应式交通)、轨道交通和/或陆地公共交通车辆。可以使用机器学习系统以最少的人工干预来生成、预测、估计或确定行程的意图或目的地。所提供的系统和方法可以允许无人/无人驾驶车辆在诸如旅馆和酒店、餐厅和餐饮、旅游和娱乐、医疗保健、服务提供等行业中的一系列新用例。
在一方面，提供了一种用于在用户沿着路线旅行时预测行程意图或目的地的方法。所提供的系统/方法的用户可以是驾驶员、服务驾驶员(诸如叫车服务的驾驶员)、乘客或由车辆运送的任何用户。该方法可以包括：(a)接收路线的起始地理位置和关于用户资料的数据；(b)至少部分地基于关于用户资料的数据来检索经训练的分类器；(c)使用经训练的分类器来基于起始地理位置预测行程意图或目的地；以及(d)当用户在车辆中沿着路线的至少一部分旅行时，在电子设备上向用户呈现一个或多个交易选项，其中基于在(c)中预测的行程意图或目的地来识别该一个或多个交易选项。
在一些实施方式中，以全球定位系统(GPS)数据的形式接收起始地理位置。在一些实施方式中，部分地使用电子设备的地理位置来确定起始地理位置，该地理位置通过全球定位系统或信号三角测量来确定。在一些实施方式中，由用户经由电子设备上的图形用户界面(GUI)输入起始地理位置。
在一些实施方式中，未分类地理空间数据包括不相关GPS数据。在一些情况下，一个或多个训练数据集包括使用多个行程数据记录的聚类分析获得的经标记数据。在一些情况下，该方法还包括通过将未分类或不相关GPS数据与一个或多个个人身份相关联来生成多个行程数据记录。在一些情况下，通过对应的个人身份的社交数据、交通数据或购买数据来扩充多个行程数据记录。
在一些实施方式中，训练分类器包括基于一个或多个标记规则为行程的路段创建标签。在一些实施方式中，该方法还包括预测旅行路线的一个或多个部分的交通模式。在一些情况下，交通模式包括自主车辆、叫车服务、轨道交通和/或陆地公共交通车辆。在一些实施方式中，该方法还包括当在行程期间接收新位置数据时更新行程意图或目的地。
本公开的另一方面提供了一种包括机器可执行代码的非暂时性计算机可读介质，所述机器可执行代码在由一个或多个计算机处理器执行时实现以上或本文其他各处的任何方法。
本公开的又一方面提供了一种用于预测用户的行程意图或目的地的系统。该系统包括一个或多个计算机处理器以及与其耦合的计算机存储器。计算机存储器包含机器可执行代码，所述机器可执行代码在由一个或多个计算机处理器执行时，实现以上或本文其他各处的任何方法。在一些实施方式中，一个或多个处理器被配置用于执行一组指令以便：(a)接收旅行路线的起始地理位置和关于用户的身份的数据；(b)至少部分地基于(i)关于用户的身份的数据和(ii)包含未分类地理空间数据的一个或多个训练数据集，来训练分类器；(c)使用在(b)中训练的分类器来至少部分地基于起始地理位置预测行程意图或目的地；以及(d)当用户在车辆中沿着旅行路线的至少一部分旅行时，在电子设备上向用户呈现一个或多个交易选项，其中至少部分地基于在(c)中预测的行程意图或目的地来识别一个或多个交易选项。
在一些实施方式中，以全球定位系统(GPS)数据的形式接收起始地理位置。在一些实施方式中，部分地使用电子设备的地理位置来确定起始地理位置，该地理位置通过全球定位系统或信号三角测量来确定。在一些实施方式中，由用户经由电子设备上的图形用户界面(GUI)输入起始地理位置。
在一些实施方式中，未分类地理空间数据包括不相关GPS数据。在一些情况下，一个或多个训练数据集包括使用多个行程数据记录的聚类分析获得的经标记数据。在一些情况下，一个或多个处理器还被配置用于通过将未分类或不相关GPS数据与一个或多个个人身份相关联来生成多个行程数据记录。在一些情况下，通过对应的个人身份的社交数据、交通数据或购买数据来扩充多个行程数据记录。在一些实施方式中，一个或多个处理器被配置用于通过基于一个或多个标记规则为行程的路段创建标签来训练分类器。在一些实施方式中，一个或多个处理器还被配置用于预测旅行路线的一个或多个部分的交通模式。在一些情况下，交通模式包括自主车辆、叫车服务、轨道交通和/或陆地公共交通车辆。在一些实施方式中，一个或多个处理器还被配置用于当在行程期间接收新位置数据时更新行程意图或目的地。
本公开的其他方面和优点对于本领域技术人员而言将通过以下详细描述变得显而易见，其中仅示出和描述了本公开的说明性实施方式。如将认识到的，本公开能够具有其他和不同的实施方式，并且其若干细节能够在各个明显方面进行修改，所有这些均不背离本公开。因此，附图和描述本质上应被认为是说明性的，而不是限制性的。
援引并入
本说明书中提及的所有出版物、专利和专利申请均通过引用并入本文，其程度如同具体地和单独地指出通过引用而并入每个单独的出版物、专利或专利申请。在通过引用并入的出版物和专利或专利申请与说明书中包含的公开内容相矛盾的范围内，说明书旨在取代和/或优先于任何此类矛盾的材料。
附图说明
本发明的新颖特征在所附权利要求中特别阐述。通过参考以下阐述利用到本发明原理的说明性实施方式的详细描述以及附图(本文也称为“图”)，将会获得对本发明的特征和优点的更好理解：
图1示意性地示出了根据一些实施方式的，可以在其中操作个人交通管理和意图预测系统的网络环境的示例。
图2示意性地图示了根据一些实施方式的，被配置用于处理位置数据的行程识别引擎。
图3示出了根据一些实施方式的系统的兴趣点(point-of-interest，POI)分配引擎。
图4示意性地图示了根据一些实施方式的设备标识符(ID)到个人身份(ID)转换器。
图5示意性地图示了根据一些实施方式的，被配置用于扩充个人数据库中的个人数据记录的个人数据扩充引擎。
图6示意性地图示了根据一些实施方式的，被配置用于利用意图或目的地相关标签来进一步扩充储存在扩充个人数据库中的数据的自动行程标记引擎。
图7示意性地图示了根据一些实施方式的，被配置用于通过行程意图对多个行程进行分组的行程选择器。
图8示出了根据一些实施方式的行程集群的示例。
图9图示了根据一些实施方式的，利用为行程的路段创建的标签更新的标记规则知识库。
图10示意性地图示了被配置用于利用使用聚类分析获得的标签来标记行程的自动行程标记引擎。
图11示出了具有不同附加标记的扩充个人数据记录的示例。
图12示意性地图示了根据一些实施方式的系统的行程抽象器。
图13示意性地图示了储存在行程分类器知识库中的多个行程分类器。
图14示意性地图示了被配置用于对用户进行划分的个人划分引擎。
图15示出了用户划分标签的示例。
图16示出了具有所有标签并根据用户划分组织的扩充个人数据记录的示例。
图17示意性地图示了根据一些实施方式的系统的新旅程意图预测器。
图18示出了当在行程期间收集到新数据时连续生成和更新行程目的地或意图的预测的示例过程。
图19示出了预测用户的行程意图的示例过程。
图20示出了被编程或以其他方式配置用于实现地面出行分析和目的地/意图预测系统的计算机系统。
图21示出了由本文描述的系统和方法处理的扩充行程数据集的示例。
图22示出了从与用户相关联的行程提取的洞察数据的示例。
图23示出了包括洞察生成器和推荐引擎的系统的示例。
图24示意性地示出了洞察生成器。
图25示出了交通本体的示例。
图26和图27示出了关于个体的洞察数据的示例。
图28示出了关于来自特定地理位置的频繁商务旅行者的洞察数据的示例。
图29示出了关于群组或用户的推断或洞察的示例。
具体实施方式
尽管本文已经示出和描述了各个实施方式，但对于本领域技术人员来说显而易见的是，这些实施方式仅作为示例提供。在不背离本公开的情况下，本领域技术人员可以想到许多变化、改变和替换。应当理解，可以采用本文所述的实施方式的各种替代方案。
如本文所使用，术语“自主控制”、“自动驾驶”、“自主”和“无人驾驶”当用于描述车辆时，通常是指自身能够执行所有驾驶任务并监控沿着路线的至少一部分的驾驶环境的车辆。自主车辆可以从一个点行驶到另一个点，而无需自主车辆上的人员进行任何干预。在一些情况下，自主车辆可以是指具有美国国家公路交通安全管理局(National HighwayTraffic Safety Administration，NHTSA)车辆自动化定义中规定的能力的车辆，并且特别是NHTSA定义的第4级，“车辆上的自动驾驶系统(Automated Driving System，ADS)本身可以在特定情况下执行所有驾驶任务并监控驾驶环境，基本上完成所有驾驶。在这些情况下，人类不需要注意，”或者NHTSA定义的第5级，“车辆上的自动驾驶系统(ADS)可以在所有情况下完成所有驾驶。人类乘员只是乘客，并且完全不需要参与驾驶。”在一些情况下，自动驾驶车辆可以是指具有NHTSA定义的第2级(“在一些情况下，车辆上的高级驾驶员辅助系统(advanced driver assistance system，ADAS)本身实际上可以在一些情况下同时控制转向和制动/加速。人类驾驶员必须始终保持全神贯注(“监控驾驶环境”)并执行其余的驾驶任务，”)或NHTSA定义的第3级(“车辆上的自动驾驶系统(ADS)本身可以在一些情况下执行驾驶任务的所有方面。在这些情况下，人类驾驶员必须随时准备好应ADS要求而收回控制权。在所有其他情况下，人类驾驶员执行驾驶任务。”)中规定的能力的车辆。自动驾驶车辆还可以包括具有2+级自动驾驶能力的车辆，其中使用AI来改进第2级ADAS，同时仍需要持续的驾驶员控制。
如本文所使用，术语“乘用车辆”通常是指用于乘客的车辆，诸如汽车或卡车，但不包括公共交通车辆。
如本文所使用，术语“公共交通车辆”通常是指能够运送一组或多组乘客的多乘客车辆，诸如火车或公共汽车。
如本文所使用，术语“行程”通常是指取自从第一位置到第二位置的总时间和/或路线。行程可能包括一个或多个路线。术语“路线”通常是指允许用户从第一位置行进到第二位置的一组一个或多个方向。路线可以具有一个或多个路段。路段可以是指上车点和下车点之间的路线的一部分。
如本文所使用，术语“上下文信息”通常是指与地理位置和/或事件相关联的任何信息。上下文信息可以从指示出或相关于此类地理位置和/或事件的信息中导出。
如本文所使用，术语“标记数据”或“标记数据集”通常是指用于使用监督学习来训练模型的配对数据集。本文提供的方法可以利用通过聚类分析地面出行分析和目的地/意图预测系统提取的意图或目的地作为标记数据集的一部分。备选地，本文提供的方法可以利用允许机器学习方法训练和应用于现有系统可用的现有数据集的非配对训练手段。
每当术语“至少”、“大于”或“大于或等于”在一系列两个或更多个数值中的第一个数值之前，术语“至少”、“大于”或“大于或等于”适用于该系列数值中的每个数值。例如，大于或等于1、2或3等价于大于或等于1、大于或等于2，或者大于或等于3。
每当术语“不大于”、“小于”或“小于或等于”在一系列两个或更多个数值中的第一个数值之前，术语“不大于”、“小于”或“小于或等于”适用于该系列数值中的每个数值。例如，小于或等于3、2或1等价于小于或等于3、小于或等于2，或者小于或等于1。
如本文所使用，术语“一个”、“一种”和“所述”通常是指单数和复数指代，除非上下文另有明确规定。
本公开提供了可以用于或被配置用于执行地面出行分析和预测一个或多个用户的行程目的地/意图的系统和方法。本公开的系统和方法可以用于或被配置用于至少部分地基于诸如全球定位系统(GPS)数据等位置数据来预测用户的意图和/或目的地。在一些情况下，预测的目的地可以用于进一步为用户生成个性化交通计划，例如，指导用户(例如，驾驶员)采取特定路线以避开事故，处理、向用户推荐和/或向用户呈现个性化出行数据、选路数据、调度数据、交通数据以及其他形式或类型的数据。在一些情况下，可以利用机器学习技术来预测行程的意图或目的地。在一些情况下，还可以利用机器学习技术来创建个性化交通计划，该个性化交通计划包括预测的意图/目的地、旅行时间表(例如，开始时间、结束时间)、在交通期间基于交易的商品、服务和内容购买选项、车辆类型(例如，诸如轿车或面包车等自主车辆类型、品牌)、交通模式类型(例如，自主车辆、公共交通(诸如火车、轻轨或城市公交车)、摆渡车、拼车、叫车、共享行程或私人行程、步行、自行车、电动踏板车、出租车等)以及其他。
意图/目的地预测能力可以在驾驶员和/或乘客货币化平台中利用或实现。例如，驾驶员和/或乘客货币化可以包括与下列各项相关的活动和服务：a)在运输过程中，与预测的意图或目的地相关的例如汽油、食品、咖啡、服务、停车以及内容(例如，关于驾驶员或乘客的目的地处的博物馆展出的艺术家作品的播客)等商品的基于交易的购买；b)访问内容的订阅，例如，对音乐流媒体服务、新闻服务、礼宾服务等的年度订阅；c)在运输时以及在车辆间歇性停车时(诸如在加油站、餐厅、咖啡店等处)商品、服务和内容的基于交易的购买(例如，补给站运营商诸如能源公司可以与咖啡连锁店合作，以便为在给车辆加油时购买咖啡饮品的乘客提供折扣)；以及d)忠诚度积分兑换，例如，汽车制造商和出行服务车队运营商可以使用类似于航空公司或连锁酒店所使用的系统来奖励其客户的忠诚度，其中忠诚度积分的兑换方式可以与这些和其他行业使用此类程序的方式大致相同。
可以使用包括机器学习算法在内的人工智能来训练用于预测行程意图或目的地的预测模型。例如，机器学习算法可以是神经网络。可以与本文的实施方式一起使用的神经网络的示例可以包括深度神经网络、卷积神经网络(CNN)和递归神经网络(RNN)。在一些情况下，机器学习算法训练的模型可以在用户设备或地面出行分析和目的地/意图预测系统上预训练和实现，并且预训练的模型可以经历持续重新训练——这可能涉及持续调谐预测模型或预测模型的组件(例如，分类器)以适应实现环境中随时间的变化(例如，客户/用户数据、传感器数据、模型性能、第三方数据等的变化)。
用于地面出行分析和目的地/意图预测的方法和系统
本公开提供了可以用于或被配置用于为一个或多个用户执行地面出行分析和预测行程目的地/意图的系统和方法。本公开的系统和方法可以用于或被配置用于至少部分地基于位置数据来预测用户的意图和/或目的地。在一些实施方式中，位置数据可以包括全球定位系统(GPS)数据。GPS数据可以是未分类数据或者可以与用户不相关(例如，去识别化数据(de-identified data))。所提出的系统和方法可以处理未分类位置数据并识别与用户相关联的行程意图或目的地。行程以及对应的用户和意图可以用于生成训练数据集以供训练分类器，以便在部署时确定/推断行程意图或目的地。可以在行程期间基于实时位置数据或有限位置数据(例如，行程起始位置的位置)来预测行程意图和/或目的地。备选地或附加地，可以在行程开始之前为新的/下一次行程预测意图和/或目的地。
用户可以在本文的系统中预先注册或订阅由本文的系统提供的一个或多个出行服务。用户可能是出行服务的潜在请求者。用户可以利用用户移动应用以在行程期间接收由系统提供的交易选项。该应用可以基于预测的意图或目的地向用户提供一个或多个交易服务或者可货币化的以驾驶员和/或乘客为中心的服务选项。可以经由应用向用户呈现与预测的意图或目的地相关的服务或交易提议。用户可以在行程期间经由应用来获取服务或进行交易。可以使用和/或在获取包括由系统在行程期间提供的出行服务和用户体验服务在内的一个或多个服务的同时将用户从第一位置运送到第二位置。所提供的系统/方法的用户可以是驾驶员、服务驾驶员(诸如叫车服务的驾驶员)、乘客或如上所述由车辆运送的任何用户。
图1示意性地示出了其中可以操作地面出行分析和目的地/意图预测系统101的网络环境100的示例。地面出行分析和目的地/意图预测系统101可以通过一个或多个网络110与多个用户设备103交互。地面出行分析和目的地/意图预测系统101可以耦合到个人交通平台或者是个人交通平台的一部分，该个人交通平台用于提供个性化交通体验，包括在旅行期间提供个性化服务/产品。在一些实施方式中，多个用户设备103中的一个用户设备可以是与用户相关联的设备。在一些实施方式中，一个用户设备可以由多个用户使用。例如，用户设备可以是车辆内部或耦合到车辆的内置设备或系统。在一些实施方式中，两个或更多个用户设备可以与单个用户相关联。
在一些实施方式中，地面出行分析和目的地/意图预测系统101可被配置用于提供用户界面，以供用户在行程期间经由用户设备103来查看旅行路线或者与预测的行程意图/目的地的一个或多个相关交易选项交互。在一些情况下，用户界面可以包括呈现在用户设备上或车辆中的显示器上的GUI。地面出行分析和目的地/意图预测系统可被配置用于基于诸如行程起始位置等有限位置数据来预测行程意图或目的地。可以使用基于有限位置数据(例如，行程开始位置的GPS数据)和/或个人数据(例如，个人ID)的基于机器学习的模型来生成行程意图或目的地。地面出行分析和目的地/意图预测系统可被配置用于基于有限实时数据，以提高的预测精度来预测行程意图/目的地。行程意图或目的地的预测可以随着行程进展而动态更新和/或改进。关于意图和目的地预测的细节在下文描述。
在一些情况下，地面出行分析和目的地/意图预测系统可以耦合到个人交通计划系统，该个人交通计划系统被配置用于生成个性化交通计划，包括旅行路线、旅行期间一个或多个路段或一个或多个站点的出发时间和到达时间的时间表、用于旅行路线的路段的交通模式(例如，交通类型、车辆类型/品牌、车辆配置等)，以及旅行期间的一个或多个服务或者可货币化的以驾驶员和/或乘客为中心的服务(例如，与目的地相关的数字服务、交易事件或商业活动)。在一些情况下，个性化交通计划还可以包括使用自主车辆运送用户通过至少一个路段。在一些情况下，个性化交通计划或个性化交通计划的至少一部分(例如，交通模式)可以基于更新的行程意图/目的地预测而动态更新。
可以基于与用户相关的数据和/或与交易服务相关的数据来生成个性化交通计划。与用户相关的数据可以包括个人身份(ID)、历史数据诸如用户偏好、交通历史或购买历史。此类数据可以从多种数据源收集，诸如移动应用(例如，地图应用、导航应用、电子邮件、短信、社交网络应用、个人健康应用等)、社交网络软件、第三方服务提供商诸如出行服务提供商(例如Uber
Figure BDA0003777515010000111
和Lyft
Figure BDA0003777515010000112
))、供应商、商业实体(例如，快餐店、餐厅、咖啡店、酒店、便利店、加油站、剧院等)、内容提供商(例如，Apple Music
Figure BDA0003777515010000113
、视频、游戏等)、数字虚拟助理、智能家居设备诸如Alexa
Figure BDA0003777515010000114
、交互式语音响应(IVR)系统、社交媒体频道和通讯API诸如Facebook
Figure BDA0003777515010000115
频道、Twilio SMS频道、Skype
Figure BDA0003777515010000116
频道，以及各种其他来源。与交易服务相关的数据可以包括用户对先前交易服务的拒绝或接受或者来自第三方服务提供商的数据。可以使用至少部分地基于预测的意图或目的地的基于机器学习的模型来生成个性化交通计划。输入数据可以是从如上所述的各种数据中导出的数据。例如，输入数据可以包括社交图、购买图、交通图、人口统计信息、天气数据、供应商或服务提供商目录，以及各种其他数据。模型的输出可以是旅行路线、旅行路线的一个或多个路段的时间表(例如，出发时间、到达时间等)、每个路段的交通模式(例如，车辆、汽车类型)，以及旅行期间的一个或多个交易选项或服务。在一些情况下，系统可以向用户实时提供交易提议。例如，在接收到指示出拒绝服务提议的用户输入时，可以选择新的交易提议并将其实时提供给用户。
如本文所使用，实时通常是指例如计算机处理器的小于1秒、十分之一秒、百分之一秒、毫秒或更短的响应时间。实时还可以指第一事件的发生相对于第二事件的发生是同时的或基本上同时的。
地面出行分析和目的地/意图预测系统101可以包括一个或多个服务器105以及一个或多个数据库系统107、109，它们可被配置用于储存或检索相关数据。相关数据可以包括经处理的GPS数据、行程数据、扩充的行程数据、扩充的个人数据记录(标有与行程意图、行程类型、用户划分等相关的附加数据)、用户资料数据(例如，用户偏好、诸如身份、年龄、性别、联系信息、人口统计数据、评级等个人数据)、历史数据(例如，社交图、交通历史、交通订阅计划数据、购买或交易历史、忠诚度计划，以及如本文其他各处所述的各种其他数据。在一些情况下，地面出行分析和目的地/意图预测系统101可以(例如，经由一个或多个网络110)获取数据或以其他方式与一个或多个外部系统或数据源(诸如一个或多个位置数据服务、本体知识库、地图、天气或交通应用程序接口(API)或地图数据库)通信。在一些情况下，地面出行分析和目的地/意图预测系统101可以从数据库系统107、109检索数据，该数据库系统107、109与一个或多个外部系统(例如，位置数据源、出行服务提供商、自主车辆调度系统、第三方可货币化的以驾驶员和/或乘客为中心的服务实体，诸如快餐店、餐厅、咖啡店、酒店、便利店、加油站、剧院、数字服务提供商等)通信。在一些情况下，数据库可以是同步数据库，其维护诸如天气、交通、公共交通、全球定位系统(GPS)输入或日志、计划数据、个人数据和其他从外部数据源获得的数据等信息的表格或记录。
每个组件(例如，服务器、数据库系统、用户设备、外部系统等)可以经由一个或多个网络110或允许将数据从一个组件传输到另一组件的任何类型的通信链路可操作地相互连接。例如，相应的硬件组件可以包括允许与一个或多个网络进行单向和/或双向通信的网络适配器。例如，服务器和数据库系统可以经由一个或多个网络110与用户设备103和/或数据源通信以发送和/或接收相关数据。
服务器(例如，服务器105)可以包括网络服务器、移动应用服务器、企业服务器或任何其他类型的计算机服务器，并且可以被计算机编程以接受来自计算设备(例如，用户设备、其他服务器)的请求(例如，可以发起数据传输的HTTP或其他协议)，以及为计算设备提供所请求的数据。服务器可以是单一服务器或跨越多个计算机或多个数据中心的分布式服务器。服务器可以是各种类型，举例而言，诸如但不限于网络服务器、新闻服务器、邮件服务器、消息服务器、广告服务器、文件服务器、应用服务器、交换服务器、数据库服务器、代理服务器、适合于执行本文所述的功能或过程的另一服务器，或其任何组合。此外，服务器可以是用于分发数据的广播设施，诸如免费广播、有线、卫星和其他广播设施。服务器还可以是数据网络(例如，云计算网络)中的服务器。
服务器可以包括各种计算组件，诸如一个或多个处理器、一个或多个储存由处理器执行的软件指令和数据的存储器设备。服务器可以具有一个或多个处理器以及至少一个用于储存程序指令的存储器。处理器可以是单个或多个微处理器、现场可编程门阵列(FPGA)或能够执行特定指令集的数字信号处理器(DSP)。计算机可读指令可以储存在有形的非暂时性计算机可读介质上，诸如软盘、硬盘、CD-ROM(压缩盘只读存储器)和MO(磁光)、DVD-ROM(数字通用盘只读存储器)、DVD RAM(数字通用盘随机存取存储器)或半导体存储器。备选地，所述方法能够以硬件组件或者硬件和软件的组合(举例而言，诸如ASIC、专用计算机或通用计算机)来实现。
一个或多个数据库107、109可以利用任何合适的数据库技术。例如，可以利用结构化查询语言(SQL)或“NoSQL”数据库来储存经处理/原始GPS数据、用户资料数据、历史数据、用于预测行程意图/目的地的预测模型或算法、地图或其他数据。一些数据库可以使用各种标准数据结构来实现，诸如数组、哈希、(链接)列表、结构体、结构化文本文件(例如，XML)、表格、JavaScript对象表示(JSON)、NOSQL等。这样的数据结构可以储存在存储器中和/或(结构化)文件中。在另一替代方案中，可以使用面向对象数据库。对象数据库可以包括多个对象集合，这些对象集合通过公共属性分组和/或链接在一起；它们可能通过一些公共属性与其他对象集合相关。面向对象数据库与关系数据库的执行方式相似，不同之处在于对象不仅仅是数据片段，而是可以具有封装在给定对象内的其他类型的功能性。在一些实施方式中，数据库可以包括图数据库，其使用具有节点、边和属性的用于语义查询的图结构来表示和储存数据。如果本发明的数据库被实现为数据结构，则本发明的数据库的使用可以集成到另一组件中，诸如本发明的组件中。此外，数据库可以实现为数据结构、对象和关系结构的混合。可以通过标准数据处理技术对数据库以变化形式进行合并和/或分布。可以导出和/或导入并且从而分散和/或集成数据库的部分，例如，表格。
在一些实施方式中，地面出行分析和目的地/意图预测系统101可以构建数据库以便高效地将数据递送给用户。例如，地面出行分析和目的地/意图预测系统101可以提供定制化算法来提取、变换和加载(ETL)数据。在一些实施方式中，地面出行分析和目的地/意图预测系统101可以使用专有数据库架构或数据结构来构建数据库，以提供适应于大规模数据库、易于扩展、高效查询和数据检索或者与使用其他数据结构相比具有减少的存储器需求的高效数据库模型。
一个或多个数据库(例如，扩充个人数据库)可以由可与交易相关的多种应用或实体访问，尽管在一些情况下，这样的多种应用或实体可能与交易无关。在一些情况下，储存在扩充个人数据库中的数据可以由其他应用通过应用编程接口(API)利用或访问。由多种应用访问的数据可以包括预测的意图/目的地、预测的交通模式和/或由系统管理的数据，诸如个人数据记录。可以在每个API级别、每个数据级别(例如，数据类型)、每个应用级别或根据其他授权策略来授权对数据库的访问。
地面出行分析和目的地/意图预测系统101可以实现在网络中的任何位置上。地面出行分析和目的地/意图预测系统101可以实现在网络中的一个或多个服务器上、网络中的一个或多个数据库中、内置或耦合到车辆的一个或多个电子设备或者一个或多个用户设备上。例如，地面出行分析和目的地/意图预测系统101可以在分布式架构中(例如，多个设备共同执行以实现或以其他方式执行地面出行分析和目的地/意图预测系统101或其操作)或以重复的方式(例如，多个设备各自作为独立系统实现或以其他方式执行地面出行分析和目的地/意图预测系统101或其操作操作)实现。地面出行分析和目的地/意图预测系统101可以使用网络环境100内的一个或多个上述组件中的软件、硬件或者软件和硬件的组合来实现。
多个用户设备103中的用户设备可以是电子设备。用户设备可以是被配置用于执行与所公开的实施方式一致的一个或多个操作的计算设备。用户设备的示例可以包括但不限于例如移动设备、智能电话/电话、平板计算机、个人数字助理(PDA)、智能可穿戴设备、智能手表、膝上型计算机或笔记本计算机、台式计算机、媒体内容播放器、电视机、视频游戏站/系统、虚拟现实系统、增强现实系统、麦克风或任何被配置成使得用户能够查看旅行路线、以及与交易或服务相关信息交互以及显示其他与旅行相关的信息的电子设备。用户设备可以是手持物体。用户设备可以是便携式的。用户设备可以由人类用户携带。在一些情况下，用户设备可以位于远离人类用户之处，并且用户可以使用无线和/或有线通信来控制用户设备。用户设备可以是与用户佩戴的可穿戴设备通信的计算设备。在一些情况下，可穿戴设备可被配置用于监控用户活动、生命体征(例如，血压和心率)或用户的健康状况。在一些情况下，用户设备可以是耦合到或位于车辆上的电子设备。
在一些实施方式中，用户设备可以能够检测设备/用户的位置。用户设备可以在设备上具有一个或多个传感器以提供用户设备的瞬时定位或位置信息。在一些实施方式中，可以由诸如位置传感器(例如，全球定位系统(GPS))、惯性传感器(例如，加速度计、陀螺仪、惯性测量单元(IMU))、高度传感器、姿态传感器(例如，罗盘)、压力传感器(例如，气压计)、场传感器(例如，磁力计、电磁传感器)和/或其他传感器信息(例如，WiFi数据)等传感器来提供瞬时位置信息。用户设备的位置可以用于定位旅行路线的起点。作为附加或替代，可以由用户经由用户设备103(诸如通过经由用户界面手动输入位置)来提供感兴趣地点的位置(例如，行程起点、行程期间的站点)。
用户设备可以包括通信单元，该通信单元可以允许与网络中的一个或多个其他组件进行通信。在一些情况下，通信单元可以包括单个通信模块或多个通信模块。在一些情况下，用户设备可以能够使用单个通信链路或多个不同类型的通信链路与网络环境中的一个或多个组件交互。用户设备103可以通过经由网络110请求和获取上述数据来与地面出行分析和目的地/意图预测系统101交互。
用户设备可以包括一个或多个处理器，该一个或多个处理器能够执行可提供与所公开的实施方式一致的一个或多个操作的指令的非暂时性计算机可读介质。用户设备可以包括一个或多个存储器存储设备，该一个或多个存储器存储设备包括非暂时性计算机可读介质，该非暂时性计算机可读介质包括用于执行一个或多个操作的代码、逻辑或指令。
在一些实施方式中，用户可以利用用户设备103以通过在用户设备上运行和/或由用户设备访问的一个或多个软件应用(即，客户端软件)与地面出行分析和目的地/意图预测系统101交互，其中用户设备103和地面出行分析和目的地/意图预测系统101可以形成客户端-服务器关系。例如，用户设备103可以运行由地面出行分析和目的地/意图预测系统101提供的专用移动应用。
在一些实施方式中，客户端软件(即，安装在用户设备103上的软件应用)可以作为各种类型的移动设备的可下载移动应用来使用。备选地，客户端软件能够以一种或多种编程语言和标记语言的组合来实现，以供由各种网络浏览器执行。例如，客户端软件可以在支持JavaScript和HTML呈现的网络浏览器中执行，诸如在Chrome、Mozilla Firefox、Internet Explorer、Safari以及任何其他兼容的网络浏览器中执行。客户端软件应用的各种实施方式可以针对各种设备、跨多个平台进行编译，并且可以针对它们各自的本地平台进行优化。在一些情况下，可以将第三方用户界面或API集成到移动应用并且集成在前端用户界面中(例如，图形用户界面内)。第三方用户界面可以由第三方服务器托管。第三方服务器可以由一系列第三方实体提供，诸如由原始设备制造商(OEM)、旅馆和酒店、餐厅和餐饮、旅游和娱乐、服务交付以及本文其他各处所述的各种其他实体提供。在一些情况下，可以使用API或第三方资源(例如，地图服务提供商、出行服务提供商、数字服务提供商、Starbucks、McDonalds、Ticketmaster等)来提供交易和与用户进行交易。在一些情况下，一个或多个第三方服务可由地面出行分析和目的地/意图预测系统101调用，并且集成到用户应用中，使得用户可以在熟悉的前端用户体验中访问此类服务。在一些情况下，上述服务中的一个或多个可以是地面出行分析和目的地/意图预测系统101的内置组件，并且可以在不外包第三方实体的情况下提供给用户。在一些情况下，从第三方服务提供商检索的数据可以由地面出行分析和目的地/意图预测系统101组织和储存以形成供应商/服务目录，该供应商/服务目录可以用于确定在交通期间提供给用户的与预测的意图相关的交易提议。在一些情况下，地面出行分析和目的地/意图预测系统101可以提供图形用户界面(GUI)。GUI可以允许用户通过与图形元素交互以及查看诸如交通期间的旅行路线和旅行时间表等信息来访问、接受、拒绝、选择与预测目的地相关的一个或多个交易提议/选项、信息、服务。
用户设备可以包括显示器。显示器可以是屏幕。显示器可以是触摸屏。作为替代，显示器可以不是触摸屏。显示器可以是发光二极管(LED)屏幕、OLED屏幕、液晶显示器(LCD)屏幕、等离子屏幕或任何其他类型的屏幕。显示器可被配置用于示出通过应用(例如，经由在用户设备上执行的应用编程接口(API))呈现的用户界面(UI)或图形用户界面(GUI)。例如，GUI可以示出图形元素，该图形元素允许用户接受或拒绝交易提议，以及查看与预测的意图/目的地、旅行路线和交易选项相关的信息。
网络110可以是个人交通管理系统101、用户设备103以及网络的其他组件之间的通信通路。该网络可以包括使用无线和/或有线通信系统的局域网和/或广域网的任何组合。例如，网络110可以包括因特网以及移动电话网络。在一个实施方式中，网络110使用标准通信技术和/或协议。因此，网络110可以包括使用诸如以太网、802.11、全球微波接入互操作性(WiMAX)、2G/3G/4G或长期演进(LTE)移动通信协议、红外线(IR)通信技术和/或Wi-Fi等技术的链路，并且可以是无线、有线、异步传输模式(ATM)、InfiniBand、PCI Express高级交换或其组合。网络110上使用的其他联网协议可以包括多协议标签交换(MPLS)、传输控制协议/因特网协议(TCP/IP)、用户数据报协议(UDP)、超文本传输协议(HTTP)、简单邮件传输协议(SMTP)、文件传输协议(FTP)等。通过网络交换的数据可以使用包括下列各项的技术和/或格式来表示：二进制形式的图像数据(例如，便携式网络图形(PNG))、超文本标记语言(HTML)、可扩展标记语言(XML)等。此外，可以使用诸如安全套接字层(SSL)、传输层安全性(TLS)、因特网协议安全性(IPsec)等常规加密技术对所有或一些链路进行加密。在另一实施方式中，网络上的实体可以使用定制和/或专用数据通信技术来代替或补充上述技术。网络可以是无线的、有线的或其组合。
用于预测行程目的地或意图的系统可以包括如本文所述和所示的多个组件。图2至图18示意性地图示了系统的各个组件，这些组件被配置用于执行功能和操作以基于有限的位置数据共同预测目的地或意图。在一些实施方式中，系统的各个组件可以包括行程识别引擎、兴趣点(POI)分配引擎、设备标识符(ID)到个人ID转换器、个人数据扩充引擎、自动行程标记引擎、机器学习(ML)聚类系统、个人划分引擎、数据库以及各个其他组件。
在一些实施方式中，系统的一个或多个组件(例如，行程分类器)可以使用未分类或不相关的位置数据来开发。在一些实施方式中，由地面出行分析和目的地/意图预测系统生成和管理的个人数据记录可以包括从未分类或不相关的位置数据中提取的数据。在一些情况下，未分类或不相关的位置数据可以由系统的行程识别引擎处理以输出多个单独的行程。图2示意性地图示了根据一些实施方式的用于处理位置数据的行程识别引擎210。
在一些实施方式中，位置数据201可以包括GPS数据。在一些情况下，GPS数据可以包括包含对应GPS信息的多个记录或数据集。例如，可以维护表格，其具有针对包含对应坐标数据(例如，纬度、经度)、时间戳、分辨率和其他信息(诸如设备ID)的每个记录的条目。位置记录的数据条目可以包括任何合适的数据结构。例如，数据结构可以包括如上文所述的多个数据字段。数据结构可以取决于原始数据格式或从中检索数据的数据源。
可以从一个或多个数据源检索位置数据201。可以利用诸如全球导航卫星系统(GNSS)、蜂窝三角测量、辅助GPS(A-GPS)、差分全球定位系统(DGPS)等合适的基于位置的技术来获得位置数据。
在一些实施方式中，位置数据可以至少包括地理位置信息和诸如设备ID等标识符。根据数据源，标识符例如可以是广告标识符(IDFA)或Android广告ID(AAID)。
位置数据的多个记录可以从一个或多个数据源以流或批量的方式获得。位置数据可以是时间序列数据，诸如时空点测量。在一些情况下，位置数据的多个记录或数据集可能是未分类的，其可能未按时间序列流式传输或组织。多个记录或数据集可以与关联于一个或多个设备/个人的多个行程相关联。在一些情况下，位置数据的多个记录或数据集可以不包括关于个人或行程的明确信息。
位置数据可以由行程识别引擎210处理以识别一个或多个单独的行程221-1、221-2、221-3。在一些情况下，一个或多个单独的行程可以储存在行程数据库220中。行程可以包括有序的位置数据记录序列，其至少包括对应于行程起点的位置数据集和对应于行程目的地的位置数据集。可以使用任何合适的方法从多个位置数据集中识别行程，使得包括行程的起始地理位置/开始时间、行程的目的地地理位置/结束时间以及行程所关联于的设备ID的行程信息被识别出来。可以识别一个或多个独特的行程并将其与设备ID相关联。例如，在不同的开始/结束时间点的不同行程221-1、221-2可以被识别并且与相同的设备ID相关联。
在一些实施方式中，可以为行程的起点和/或目的地的地理位置分配诸如兴趣点(POI)等位置上下文数据。图3示出了根据一些实施方式的系统的POI分配引擎303。POI分配引擎303可以耦合到行程数据库301，用于将位置上下文数据至少分配给单独行程的起点和目的地。在一些情况下，可以为行程中的一个或多个中间位置点(例如，中间站点)分配位置上下文数据。这样的位置上下文数据可以与目的地、起点或沿着行程的站点的身份相关联。位置上下文数据例如可以包括咖啡店、机场、场所、餐厅、体育场、剧院、牙科诊所等。行程数据库301可以与图2中描述的行程数据库相同。
在一些情况下，POI分配引擎可以从行程数据库301检索一个或多个行程，并且分配使用众包方法收集的位置上下文数据。例如，POI分配引擎可以耦合到一个或多个第三方数据源307-1、307-2、307-3，用于收集本地商业、地标和兴趣点(POI)数据。作为示例，POI数据可以具有与其相关联的地理标记，并且POI分配引擎可以搜索POI数据以寻找与行程的起点或目的地地理坐标的良好匹配(例如，开始行程纬度/经度、结束行程纬度/经度)。可以返回具有最佳匹配的POI数据(例如，开始行程POI、结束行程POI)。
在一些情况下，可以选择一个或多个第三方数据源307-1、307-2、307-3而不是其他数据源来提供POI数据。例如，当多个候选POI关联于相同位置或地址时，系统可以基于选择准则从多个候选POI中选择一个POI。在一些情况下，选择准则可以是特定于用户的。例如，可以基于历史用户数据(例如，用户的交通、购买和/或交易历史、用户的社交活动等)从多个候选POI中选择POI。备选地或附加地，POI数据可以是多个候选POI的组合。例如，POI数据可以是关于属于同一地理位置点的所有POI的聚合信息(例如，街道名称、地标参考、区域名称等)。在其他情况下，具有不遵循任何格式(诸如“公寓房号、街道名称、区号”)的非结构化地址的POI可以由属于同一地理位置的其他POI的信息来补充。
在一些情况下，可以通过诸如本体知识库305等各种其他数据源来扩充位置上下文数据。例如，一些POI可以得到由本体知识库提供的附加属性(例如，机场具有航站楼编号、航站楼内的航空公司)的补充。本体知识库305可以由一个或多个个体、机构手动开发，从外部系统或资源导入，或者可以部分地使用与用户协作的机器学习系统学习(例如，从自然语言文本中提取交通术语)。继而可以将补充有POI数据311、313的行程数据集310摄取回行程数据库301。
如上所述，原生/原始位置数据可以不关联于个人。在一些实施方式中，可以使用系统的设备ID到个人ID转换器来基于设备ID将位置数据与个人关联起来。图4示意性地图示了根据一些实施方式的设备ID到个人ID转换器401。
设备ID到个人ID转换器401可被配置用于将一个或多个设备ID与个人ID相关联。设备ID到个人ID转换器401可以处理设备ID数据并将设备ID与个人标识符相关联。个人标识符413可对应于可以使用合适的身份解析方法获得的个人的身份。身份解析方法可以涵盖不同的身份属性和匹配算法。例如，可以通过诸如成对比较、传递闭包和集体聚类等匹配算法来处理诸如个人身份属性、社会行为属性和社会关系属性等身份相关数据，以提取个人身份。身份相关数据和设备ID可以被进一步处理和关联以形成个人数据记录411。个人数据记录的条目413可以包括多个数据字段，诸如个人ID和设备ID。继而可以将个人数据记录411储存在个人数据库410中。在一些情况下，可以将未识别的设备ID 403储存在单独的数据库中。
在一些实施方式中，可以用附加的个人数据来扩充个人数据记录。图5示意性地图示了个人数据扩充引擎500，其被配置用于扩充个人数据记录以形成扩充个人数据库420。在一些实施方式中，个人数据扩充引擎可以检索来自多个数据源的用户数据(例如，人口统计数据、购买数据、社交图等)和来自行程数据库301的行程数据以扩充个人数据记录。
用户数据可以包括与个体相关的个人数据，诸如身份、年龄、性别、联系信息、人口统计数据等。此类数据可以从其他数据源或第三方应用中提取。在一些情况下，个人数据还可以包括用户偏好。用户偏好可以包括旅行偏好和交易/服务偏好。旅行偏好可以从系统获取的各种参数中的一个或多个导出，并且用于生成个性化旅行路线或用于预测交通模式。例如，诸如“最快路线”偏好等旅行偏好指示出对两点之间的最快(时间)路线的偏好。“最短路线”偏好可以指示出对两点之间的最短(距离)路线的偏好。“最省燃料路线”偏好可以指示出对节省燃料的偏好。旅行偏好可以指示出对“努力”的偏好，这可能尤其与自行车骑行者、步行者、跑步者、徒步旅行者和游泳者相关，他们可能例如想要坡度的大变化(例如，山丘)或坡度的小变化(例如，平坦)。旅行偏好可以指示出偏好具有各种风景点、植被多于城市景观等的路线，偏好博物馆、剧院、剧场等，偏好包括购物机会的路线，偏好食物，用户偏好避免被堵在路上(即使交通繁忙的路线是到达目的地的最快路径)，以及各种其他偏好。旅行偏好可以包括用户偏好的交通模式(例如，自主车辆、公共交通(诸如火车、轻轨或城市公交车)、摆渡车、拼车、叫车、共享行程或私人行程、步行、自行车、电动踏板车、出租车等)或者车辆内用户体验(例如，获取音乐、游戏)等。旅行偏好可以用于确定旅行路线、路线的路段、路段的交通模式和/或旅行路线期间的站点(例如，风景、餐厅、咖啡店等)。这样的用户偏好可以由用户输入和/或从其他数据源或历史数据中提取。
购买数据可以包括用户在行程期间或行程结束时进行的任何购买或交易历史。购买或交易可以在可能不在车辆内的任何位置(例如，在目的地)进行。购买或交易可以是车辆内或车舱内交易。
在一些情况下，社交数据可以描绘各个用户或车辆之间的关系以促进车内共享等。在一些情况下，社交数据可以指示出用户与其他个体和实体(例如，家庭、企业、朋友等)、道路网络以及社区内潜在的会面地点之间的关系。在一些情况下，社交数据可以用于基于共同兴趣和出行活动来促进汽车共享，提供推荐的车辆和地点，建议汽车共享伙伴。在一些情况下，社交数据可以用于预测或推荐行程的地点和/或时间表。例如，如果用户被安排会见与该用户有业务关系的某人，则可以基于商务会议偏好来安排到达时间。社交数据可以从社交网络(例如，Facebook、Twitter、LinkedIn等)、历史通信(例如，电子邮件、SMS、视频聊天等)、俱乐部的共同会员、机构的共同成员、共同的会员和社团、家庭关系、共同雇主、共同工作场所等获得。
在一些情况下，附加用户数据可以用于预测行程的至少一个路段的交通模式。例如，用户数据可以包括从与用户相关联的历史交通数据中收集的交通模式(例如，自主车辆、公共交通(诸如火车、轻轨或城市公交车)、摆渡车、拼车、叫车、共享行程或私人行程、步行、自行车、电动踏板车、出租车等)。
个人数据扩充引擎500可被配置用于利用用户数据(例如，人口统计数据、购买数据、社交图等)和从行程数据库301检索的行程数据来扩充个人数据库410中的个人数据记录，从而生成扩充个人数据记录。在一些实施方式中，行程数据和个人数据可以基于设备ID进行合并。在一些实施方式中，个人数据扩充引擎500可以采用合适的技术来合并不同的数据库(即，行程数据库、个人数据库)。例如，可以通过基于匹配的设备ID将行程数据并入到多个个人数据记录之一中来将行程数据库与个人数据库中的多个记录合并起来。继而可以将合并的个人数据记录作为扩充个人数据记录保存在扩充个人数据库420中。例如，扩充个人数据记录可以包括数据字段，诸如个人ID、设备ID以及对应的行程数据(例如，用POI标记的一系列位置数据)。
在一些实施方式中，可以用附加的意图或目的地相关信息对扩充个人数据记录进行进一步更新和扩充。图6示意性地图示了自动行程标记引擎600，其被配置用于利用意图或目的地相关标签来进一步扩充储存在扩充个人数据库420中的数据。
在一些实施方式中，目的地的意图可以是与活动相关的上下文信息，或者是从目的地推断的意图。例如，超市的意图可能是食品购物，与工作日早晨的行程相关联的意图可能是日常通勤，与食品、汽油等相关联的意图可能是购物，并且与运动场、电影院相关联的意图可能是娱乐。这样的意图可以从储存意图标签列表的标记规则知识库610获得。自动行程标记引擎600可以用标记规则知识库610所提供的意图标签来标记每次行程的目的地。继而可以通过并入与每次行程相关联的目的地的意图来更新扩充个人数据记录。
在一些实施方式中，扩充个人数据记录可以由系统的行程选择器处理，以便按意图对行程进行分组。行程组可以由基于机器学习的聚类系统进一步处理，以便按目的地进一步聚类。图7示意性地图示了行程选择器700，其被配置用于基于意图对从扩充个人数据库420检索到的多个行程进行分组。例如，可以将具有相同意图标签的行程分组在一起。具有相同意图(例如，沟通工作)的行程可能具有或者可能不具有相同的目的地。
在一些情况下，按意图分组的行程由基于机器学习的聚类系统进一步处理。基于机器学习的聚类系统可以对行程执行聚类分析以确定针对该组意图的行程的自然分组。例如，同一集群的行程可具有相同的目的地，并且可具有不同的起点、中间站点或开始/结束时间。在一些情况下，属于同一集群的一组行程可具有除了意图之外的一个或多个共同特征(例如，起点、交通模式、中间站点)。在一些情况下，可以识别一个或多个共同特征并将其用作行程或行程路段的标签。
在一些情况下，关联于集群的标签可以用作训练数据集的一部分以训练分类器。标签可以用作训练数据集的一部分，以与行程数据配对。标签可以由一个或多个个体、机构手动创建，或者从外部系统或资源导入。可以基于如上所述的由基于机器学习的聚类系统生成的自然聚类来识别标签(例如，私人汽车、早晨行程、直接通勤上班等)。
图8示出了行程集群的示例。这组行程可以包含在“使用私人汽车通勤上班”集群中。这组行程可以具有相同目的地和相同意图，而中间站点可以不同。
在一些实施方式中，可以用扩充数据来标记行程路段。图9图示了用针对行程路段创建的标签来更新标记规则知识库。标签可以由一个或多个个体、机构手动创建，或者从外部系统或资源导入。可以基于如上所述的基于机器学习的聚类系统生成的自然聚类来识别标签(例如，私人汽车、早晨行程、直接通勤上班等)。
在一些实施方式中，针对行程或行程路段创建的标签可以用于补充扩充个人数据记录。图10示意性地图示了自动行程标记引擎1000，其被配置用于利用使用如上所述的聚类分析获得的标签来标记行程。自动行程标记引擎1000可以与图6中描述的自动行程标记引擎相同。自动行程标记引擎1000可以自动标记行程或行程的一个或多个路段。在一些情况下，可以基于从标记规则知识库610检索到的标记规则来执行标记。标记规则可以由一个或多个个体、机构手动开发，从外部系统或资源导入，或者可以部分地使用与用户协作的机器学习系统学习(例如，从自然语言文本中提取交通术语)。下面是储存在标记规则知识库610中的示例规则：
规则1：如果行程开始时间在上午5:00之后并且行程结束时间在中午12:00之前，则标签＝“上午行程”(在此我们计算本地时区AM、PM)
规则2：如果行程类型＝“日常通勤”并且中间站点持续时间是>5分钟且<20分钟，并且行程中POI类型＝“咖啡店”，则标签＝“通勤上班咖啡店”
用附加标签扩充的行程可以储存在扩充个人数据库中。如图10中所示，扩充个人数据记录与图6中所示的扩充个人数据记录相比包括附加标签(例如，早晨、直接通勤上班、从家、到办公室、私人汽车等)。
图11示出了具有不同附加标签的扩充个人数据记录的示例。如示例中所示的两个扩充个人数据记录具有相同意图、多个共同特征(例如，早晨、从家、到办公室、私人汽车)，但有一个不同特征(例如，直接通勤上班、通勤上班咖啡)。
在一些实施方式中，多个扩充个人数据记录可以用于训练基于机器学习的行程抽象器。图12示意性地图示了根据一些实施方式的系统的行程抽象器1200。行程抽象器可以是使用包括附加标签的扩充个人数据记录训练的分类器。行程抽象器可以处理行程数据并预测与行程目的地相关联的意图。可以使用人工智能诸如机器学习算法来训练行程抽象器。例如，机器学习算法可以是神经网络。神经网络的示例包括深度神经网络、卷积神经网络(CNN)和递归神经网络(RNN)。在一些情况下，机器学习算法训练的模型可以在系统上预训练和实现，并且预训练的模型可以经历持续重新训练——这涉及持续调谐预测模型或预测模型的组件(例如，分类器)以适应实现环境中随时间的变化(例如，客户/用户数据、可用的经标记数据、模型性能、第三方数据等的变化)。
在一些实施方式中，行程分类器可以对应于行程的意图。图13示意性地图示了储存在行程分类器知识库1300中的多个行程分类器。在一些情况下，训练模型可以涉及选择模型类型(例如，CNN、RNN、梯度增强分类器或抑制器等)、选择模型的架构(例如，层数、节点、ReLU层等)、设置参数、创建训练数据(例如，配对数据、生成输入数据向量)，以及处理训练数据以创建模型。可以使用从行程分类器知识库中检索到的测试数据来测试和优化经训练的模型。可以将测试结果与性能特征进行比较，以确定预测模型是否满足性能要求。如果性能良好，即，满足性能要求，则可以将模型插入到行程分类器知识库中。
图21示出了通过上文所述系统和方法处理的扩充行程数据集2100的示例。在所示示例中，扩充行程数据集2100可以至少使用不相关的GPS数据来生成。一个或多个扩充行程可以与诸如设备ID 2101等设备相关联。每个扩充行程可以例如包括设备ID 2101、关于行程起点的预测或提取的信息，诸如起点的POI/名称2103(例如，one stop foods、GalterLifeCenter)、POI的类别2105(例如，杂货店、办公楼、健身房、餐厅)、起点的地址2107、关于行程的目的地的预测或提取的信息，诸如目的地的POI 2109(例如，家、CTA-Harrison等)、预测的POI的类别2111(例如，家、地铁站等)、目的地的地址2113、行程的预测模式2115(例如，汽车、拼车等)、行程的开始时间以及各种信息。在所示示例中，扩充行程数据列表的条目/行可以是行程或行程的路段。
在一些实施方式中，可以将个人/用户划分和组织成细分群体/集群。图14示意性地图示了个人划分引擎1400，其被配置用于对个人数据库中的个人进行划分。个人划分可以允许系统针对用户的特定细分群体来提供可能与那些用户相关的(例如，被发现是最相关的)提议。可以使用任何合适的划分技术来划分个人或用户(或组织成一个或多个细分群体)。例如，划分技术可以基于固定的划分规则1410。如上所述，可以基于诸如地理(或地理位置)、社交图、购买图、交通图、人口统计信息、用户偏好、安装的移动应用等一个或多个属性或者从用户资料数据中提取的其他用户属性或特征对用户进行分组。同一组中的用户可能共享一个或多个用户属性或用户特征(例如，年龄、性别、地理位置、社交图、飞行常客、食品购买常客等)。个体可能属于一个或多个细分群体。在一些情况下，可以随着收集到新数据而自动地持续扩充和更新细分群体。在一些实施方式中，可以在新用户(或用户类别)被添加或订阅到系统时创建新的细分群体。在一些情况下，细分群体可以是离散的。在其他情况下，两个或更多个细分群体可以重叠，并且可以共享一组共性或特征。
在一些情况下，划分技术可以基于从历史数据(例如，用户资料数据)中提取的模式。可以使用机器学习算法来提取模式。在一些情况下，可以最初生成一组模式，并且可以采用算法来识别模式到细分群体的既可行又使期望的结果最大化的最优分配。期望的结果可以是提供与预测目的地相关的少量服务或交易选项，以便在适当的时间和/或地点发送给适当选择的客户(例如，客户组)，使得所选客户最有可能接受服务。可以使用诸如决策树或其他模式识别算法等任何合适的方法来生成初始模式集合。在一些情况下，用于识别模式到细分群体的最优分配的算法可以是经训练的机器学习算法(例如，支持向量机或神经网络)。
在一些实施方式中，可以为用户细分群体创建标签。图15示出了用户细分群体标签的示例(例如，喜欢开车、飞行常客、喜欢意大利食品、体育爱好者等)。标签可以由一个或多个个体、机构手动创建，或者从外部系统或资源导入。备选地或附加地，可以使用如上文所述的机器学习方法来识别用于用户划分的标签(例如，喜欢开车、飞行常客、喜欢意大利食品、体育爱好者等)。在一些情况下，用于用户划分的标签可以用于补充扩充个人数据库中的扩充个人数据记录。
图16示出了具有所有标签并根据用户划分组织的示例扩充个人数据记录1600。扩充个人数据记录可以由系统定期(例如，每小时、每天、每周等)或在检测到新数据被添加到数据库时进行管理、维护和更新。扩充个人数据记录可以用于形成训练数据集，以供持续训练分类器，从而提高性能。如上所述，训练数据集可以是包括使用聚类系统获得的意图或目的地的经标记数据。
系统可以能够预测未来行程的意图，而不依赖于用户计划/时间表数据(例如，日历、电子邮件等)。系统可以能够基于实时或有限的位置数据来预测当前行程的可能目的地。例如，可以部署经训练的分类器，用于基于实时位置数据对意图和/或交通模式进行预测。在一些情况下，可以基于行程起点的位置数据生成预测的意图和/或交通模式。在一些情况下，预测的意图和/或交通模式可以在行程期间生成，并随着新的位置数据流入而更新。
图17示意性地图示了根据一些实施方式的系统的新旅程意图预测器1700。新旅程意图预测器1700可以使用从行程分类器知识库1300下载的一个或多个经训练的分类器，基于实时位置数据来预测行程的目的地和/或意图。新旅程意图预测器1700可以耦合到扩充个人数据库420和行程分类器知识库1300以下载合适的分类器和检索对应的扩充个人数据记录，以形成连同实时位置数据的输入数据集。在一些情况下，当接收到诸如个人ID、行程开始位置(例如，起始GPS位置)、随着行程的进展而更新的位置数据或交通模式等实时数据时，新旅程意图预测器1700可以从扩充个人数据库420检索对应的扩充个人数据记录，提取诸如客户细分群体、行程类型等数据以补充实时数据，从而形成要由从行程分类器知识库1300下载的分类器处理的输入数据集。
图18示出了连续生成和更新行程目的地或意图的预测作为行程期间收集的新数据的示例过程。如示例中所示，在接收到起点位置数据(例如，行程开始位置)后，新旅程意图预测器最初可以生成三个预测的意图，例如，早晨去上班的行程、去机场的行程、早晨去购买食品的行程。在一些情况下，随着在行程期间收集到新的位置数据，可以细化和更新预测的意图。例如，随着行程的进展以及收集到指示出在咖啡店停留的位置数据，预测的意图被更新为购买食品并且预测的目的地是超市。
在一些实施方式中，所提供的系统可以采用边缘智能范式，使得数据处理的至少一部分可以在边缘执行。例如，数据处理和推断可以由部署在用户设备上的新旅程意图预测器执行。在一些情况下，机器学习模型或分类器可以在云上构建和训练，在行程分类器知识库1300中储存和维护，并在边缘设备或边缘系统(例如，硬件加速器)上运行。本公开的系统和方法可以提供高效且高度可扩展的意图预测平台，该平台实现实时、现场行程目的地和意图预测。
预测的意图或行程目的地可以用于各种应用中。例如，预测的意图或目的地可以用于提供交易提议、旅行便利服务、提供与预测的目的地相关的提议，以及各种其他服务。例如，预测的意图或目的地可以用于通过提供关于快速路线、停车或可用交通模式的信息来帮助用户前往预定目的地。在另一示例中，预测的意图或目的地可以用于提供与目的地相关的提议，诸如由预测的目的地(例如，超市)或目的地附近的服务(例如，超市的咖啡店)提供的商品折扣。在另一示例中，预测的意图或目的地可以用于影响用户原本的意图，以将用户从预测的目的地转移开(例如，提供折扣、由竞争服务提供商提供的服务)。
图19示出了预测用户的行程意图的示例过程1900。在所示的示例中，可以获取和分析诸如GPS数据等位置数据以创建多个单独的行程(操作1901)。实时位置数据可以从用户设备(例如，用户设备上的传感器)或在用户设备上操作的用户应用(诸如地图和导航应用)获得。可以识别POI可以并将其分配到行程结束位置和/或行程开始位置(操作1903)。可以通过将一个或多个单独的行程与个人ID相关联来创建个人行程数据(操作1905)。可以用附加的用户数据来扩充个人行程数据(操作1907)。对扩充个人行程数据进行聚类以识别行程意图(操作1909)。使用扩充个人行程数据来训练一个或多个行程分类器(操作1911)。可以执行行程分类器并且可以在新行程之前、行程开始时或行程期间预测行程意图、目的地或交通模式(操作1913)。在一些情况下，可以在用户界面上向用户显示与预测的意图/目的地相关的一个或多个提议/服务。
尽管图19示出了根据一些实施方式的方法，但本领域普通技术人员将会认识到对于各种实施方式存在许多修改。例如，可以按任何顺序执行操作。一些操作可以被排除，一些操作可以在一个步骤中同时执行，一些操作重复，并且一些操作可以包括其他操作的子步骤。在一些情况下，提供一个或多个商务选项的时机可以基于用户的当前地理位置和/或旅行时间。该方法还可以根据如本文所提供的本公开的其他方面进行修改。
可以分析个体的行程数据以提取各种洞察信息。可以至少部分地基于与个体相关联的每次行程的预测意图来提取这样的洞察信息。图22示出了从关联于用户的行程中提取的洞察数据的示例。例如，可以基于行程发生的城市或位置来分析与个体相关联的多个预测行程意图。例如，可以分析发生在常驻城市的个体的行程，并且可以生成示出由行程意图组织的行程次数的图表2210。类似地，可以提供图表2220以示出在出访城市中由行程意图组织的行程次数。这样的图表可以有益地提供关于个体在不同城市中的旅行模式的洞察。在一些实施方式中，还可以生成示出与个体相关联的行程模式的图。例如，图2230可以示出在常驻城市中使用不同模式(例如，私家车、汽车租赁、叫车、步行、多模式等)的行程的次数，而另一个图2240可以示出在出访城市中使用不同模式的行程的次数。这样的洞察可以有益地提供对出行的测量，作为城镇、城市、州、国家或任何级别的服务努力。例如，汽车制造商、车辆保险公司、城市、县、州和国家政府、零售商(例如，超市、家居装修零售商、百货商店等)、酒店服务公司(例如，酒店、餐厅、咖啡连锁店)和/或出行服务公司/机构可以使用这样的测量，以了解消费者对出行和其他类型的交通相关服务的接受程度。
在一些实施方式中，可以用关于个体的预测洞察(例如，旅行偏好)和/或基于该洞察预测的推荐来进一步扩充个人数据库。图23示出了包括洞察生成器2305和推荐引擎2307的系统的示例。旅行者数据库2301可以与如上文所述的个人数据库相同。例如，如上文所述，旅行者数据库可以储存扩充个人数据记录，包括用户细分群体标签、行程、人口统计特征、行程类型以及通过摄取第三方数据2301和执行行程创建及用户划分2303而生成的各种其他数据。扩充个人数据记录还可以包括由洞察生成器2305和推荐引擎2307生成的洞察数据。洞察生成器2305和推荐引擎2307可以包括一个或多个机器学习算法训练的模型，用于预测个体的一组偏好和与交通服务有关的推荐。
图24示意性地示出了洞察生成器2405。在一些情况下，可以训练洞察生成器2405以预测关于一个或多个用户偏好的洞察。一个或多个用户偏好可以与个体的旅行偏好有关，例如首选模式、首选目的地类型、住宿类型或各种其他首选服务，诸如首选餐厅、价位、品牌亲和力等。例如，洞察生成器2405可以包括一个或多个基于机器学习的模型2407和交通本体2403，处理来自旅行者数据库2401的个人数据记录以预测用户偏好，用预测的用户偏好来扩充个人数据记录，以及将扩充个人数据记录储存在旅行者数据库2409中。图25示出了交通本体2403的示例。在一些情况下，洞察生成器可以利用如用户划分中描述的一个或多个基于机器学习的模型或机器学习技术来预测与个体相关联的划分标签。在一些情况下，洞察生成器可以基于划分标签、其他个人数据和不同的本体来进行推断，以生成关于用户的附加洞察。
在一些情况下，可以训练推荐引擎以至少部分地基于个体的预测偏好和个体的行程的预测意图来生成推荐。例如，可以训练推荐引擎以在行程期间生成推荐(例如，餐厅、下一行程路段的模式等的推荐)。
图26和图27示出了关于个体的洞察数据的示例。洞察数据可以从关联于个体的扩充行程2601、2603中提取。洞察数据可以由如上文所述的洞察生成器和/或推荐引擎生成。例如，可以处理与不同城市(常驻城市2601、出访城市2603)中的个体相关联的扩充行程，以提取关于个体的进一步洞察。例如，基于扩充行程数据中的预测意图、模式或其他信息，可以推断用户偏好洞察，诸如首选模式2605(例如，个人车辆、拼车、步行)、首选酒店价格范围2607(例如，中等价格)、首选菜系2609、人物形象2611(例如，积极生活方式的旅行者、美食爱好者、健康和健身等)、首选餐厅价格范围2613、最优选品牌(例如，Peets、Target等)以及各种其他洞察。推断的用户偏好还可以包括POI偏好，诸如首选外出就餐日2601、特定城市中前往餐厅的首选模式2703、2705(例如，在丹佛拼车、在芝加哥开汽车)、首选商务旅行日2707、首选旅行住宿、首选旅行餐厅2711或首选旅行模式2713。在一些情况下，可以利用此类洞察数据来进行进一步预测2715，诸如推荐的餐厅、酒店、要在特定城市提供的服务或预测的行程。
在一些情况下，可以提供关于旅行者群组的洞察。图28示出了关于来自特定地理位置的频繁商务旅行者的洞察数据的示例。洞察数据可以包括频繁从特定位置开展商务行程的用户2801、来自与每个个体相关联的特定位置的行程次数2805，以及与个体相关联的设备ID2803。可以使用如上所述的方法和系统，诸如将不相关的行程与个体相关联以及预测行程的意图，来生成这样的洞察。
还可以利用所提供的方法和系统来做出关于与用户群组相关联的行程的推断。图29示出了关于群组或用户的推断或洞察的示例。例如，可以生成示出与用户群组(例如，特定城市中的旅行者)相关联的行程类别(例如，餐厅、国家公园、健身房)频率的图表2601。在一些情况下，可以生成关于与诸如在常驻城市2920或出访城市2930中的用户群组相关联的行程模式的分布图。
计算机系统
本文所述的系统、系统的各个组件或过程可以由一个或多个处理器实现。在一些实施方式中，处理器可以是计算机系统的处理单元。图20示出了计算机系统2001，其被编程或以其他方式配置用于实现地面出行分析和意图预测系统。计算机系统2001可以调控本公开的各个方面。计算机系统2001可以是用户的电子设备或相对于电子设备位于远程的计算机系统。电子设备可以是移动电子设备。
计算机系统2001包括中央处理器(CPU，本文也称为“处理器”和“计算机处理器”)2005，该中央处理器2005可以是单核或多核处理器，或者是用于并行处理的多个处理器。计算机系统2001还包括存储器或存储器位置2010(例如，随机存取存储器、只读存储器、闪存)、电子存储单元2015(例如，硬盘)、用于与一个或多个其他系统通信的通信接口2020(例如，网络适配器)，以及外围设备2025，诸如高速缓存、其他存储器、数据存储和/或电子显示适配器。存储器2010、存储单元2015、接口2020和外围设备2025通过诸如主板等通信总线(实线)与CPU 2005通信。存储单元2015可以是用于储存数据的数据存储单元(或数据存储库)。计算机系统2001可以借助于通信接口2020可操作地耦合到计算机网络(“网络”)2030。网络2030可以是因特网、互联网和/或外联网，或者内联网和/或与因特网通信的外联网。在一些情况下，网络2030是电信和/或数据网络。网络2030可以包括一个或多个计算机服务器，该一个或多个计算机服务器可以实现分布式计算，诸如云计算。在一些情况下，借助于计算机系统2001，网络2030可以实现对等网络，这可以使耦合到计算机系统2001的设备能够充当客户端或服务器。
CPU 2005可以执行一系列机器可读指令，该机器可读指令可以体现为程序或软件。指令可以储存在诸如存储器2010之类的存储器位置中。指令可以被引导到CPU 2005，其可以随后对CPU 2005进行编程或以其他方式配置以实现本公开的方法。CPU 2005执行的操作的示例可以包括获取、解码、执行和回写。
CPU 2005可以是诸如集成电路等电路的一部分。系统2001的一个或多个其他组件可以包括在电路中。在一些情况下，该电路是专用集成电路(ASIC)。
存储单元2015可以储存文件，诸如驱动程序、库和保存的程序。存储单元2015可以储存用户数据，例如，用户偏好和用户程序。在一些情况下，计算机系统2001可以包括一个或多个位于计算机系统2001外部的附加数据存储单元(例如，位于通过内联网或因特网与计算机系统2001通信的远程服务器上)。
计算机系统2001可以通过网络2030与一个或多个远程计算机系统通信。例如，计算机系统2001可以与用户的远程计算机系统(例如，用户设备)通信。远程计算机系统的示例包括个人计算机(例如，便携式PC)、平板或板状PC(例如，Apple
Figure BDA0003777515010000351
iPad、Samsung
Figure BDA0003777515010000352
GalaxyTab)、电话、智能电话(例如，Apple
Figure BDA0003777515010000353
iPhone、支持Android的设备、Blackberry
Figure BDA0003777515010000354
)或个人数字助理。用户可以经由网络2030访问计算机系统2001。
如本文所述的方法可以通过储存在计算机系统2001的电子存储位置(举例而言，诸如存储器2010或电子存储单元2015)上的机器(例如，计算机处理器)可执行代码来实现。机器可执行或机器可读代码可以以软件的形式提供。在使用期间，代码可以由处理器2005执行。在一些情况下，可以从存储单元2015检索代码并储存在存储器2010上以供处理器2005随时访问。在一些情况下，可以排除电子存储单元2015，并且机器可执行指令储存在存储器2010上。
代码可以被预编译和配置用于与具有适于执行代码的处理器的机器一起使用，或者可以在运行时编译。代码能够以编程语言供应，该编程语言可被选择以使代码能够以预编译或当场编译的方式执行。
本文提供的系统和方法的各个方面，例如计算机系统2001，可以在编程中体现。技术的各个方面可以被认为是“产品”或“制品”，通常为承载于或体现在某种类型的机器可读介质中的机器(或处理器)可执行代码和/或关联数据的形式。机器可执行代码可以储存在电子存储单元上，诸如存储器(例如，只读存储器、随机存取存储器、闪存)或硬盘上。“存储”类型介质可以包括计算机、处理器等或其关联模块的任何或所有有形存储器，诸如各种半导体存储器、磁带驱动器、磁盘驱动器等，它们可以随时提供非暂时性存储以供软件编程。软件的全部或部分可以不时通过因特网或各种其他电信网络进行通信。例如，这样的通信可以实现将软件从一个计算机或处理器加载到另一计算机或处理器中，例如，从管理服务器或主机计算机加载到应用服务器的计算机平台中。因此，可以承载软件元素的另一类型的介质包括光波、电波和电磁波，诸如跨本地设备之间的物理接口、通过有线和光陆线网络以及通过各种空中链路使用的那些介质。承载此类波的物理元件，诸如有线或无线链路、光链路等，也可以被认为是承载软件的介质。如本文所使用，除非限于非暂时的、有形的“存储”介质，诸如计算机或机器“可读介质”之类的术语是指参与向处理器提供指令以供执行的任何介质。
因此，诸如计算机可执行代码之类的机器可读介质可以采取许多形式，包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质例如包括光盘或磁盘，诸如任何计算机中的任何存储设备等，诸如可以用于实现附图中所示的数据库等的存储介质。易失性存储介质包括动态存储器，例如这样的计算机平台的主存储器。有形传输介质包括同轴电缆；铜线和光纤，包括构成计算机系统内总线的线路。载波传输介质可以采用电或电磁信号的形式，或者采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间生成的那些。因此，计算机可读介质的常见形式例如包括：软盘、柔性盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、穿孔卡纸带、任何其他带有孔图案的物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或盒、传送数据或指令的载波、传送此类载波的线缆或链路，或者计算机可以从中读取编程代码和/或数据的任何其他介质。这些形式的计算机可读介质中的许多介质可涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。
计算机系统2001可以包括电子显示器2035或与之通信，电子显示器2035包括用于提供例如本文其他各处所述的图形用户界面的用户界面(UI)2040。UI的示例包括但不限于图形用户界面(GUI)和基于网络的用户界面。
本公开的方法和系统可以通过一种或多种算法来实现。算法可以通过在由中央处理器2005执行时的软件来实现。例如，算法可以训练模型，诸如运输计划引擎。
尽管本文已经示出和描述了本发明的优选实施方式，但对于本领域技术人员来说显而易见的是，这样的实施方式仅作为示例提供。本发明并不意在受说明书中提供的具体示例的限制。尽管已经参照前述说明书描述了本发明，但本文中实施方式的描述和说明并不意味着被解释为限制意义。在不背离本发明的情况下，本领域技术人员现在将会想到许多变化、改变和替换。此外，应当理解，本发明的所有方面不限于本文阐述的具体描述、配置或相对比例，其取决于各种条件和变量。应当理解，在实施本发明时可以采用对本文描述的本发明实施方式的各种替代方案。因此设想到本发明还应涵盖任何这样的替代、修改、变化或等价物。所附权利要求旨在限定本发明的范围，并且由此覆盖这些权利要求范围内的方法和结构及其等同物。

Claims (24)

1.一种用于预测用户的行程意图或目的地的方法，包括：
(a)接收旅行路线的起始地理位置和关于所述用户的身份的数据；
(b)至少部分地基于(i)关于所述用户的所述身份的所述数据和(ii)包含未分类地理空间数据的一个或多个训练数据集来训练分类器；
(c)使用在(b)中训练的所述分类器，至少部分地基于所述起始地理位置预测所述行程意图或所述目的地；以及
(d)当所述用户在车辆中沿着所述旅行路线的至少一部分旅行时，在电子设备上向所述用户呈现一个或多个交易选项，其中至少部分地基于在(c)中预测的所述行程意图或目的地来识别所述一个或多个交易选项。
2.根据权利要求1所述的方法，其中以全球定位系统(GPS)数据的形式接收所述起始地理位置。
3.根据权利要求1所述的方法，其中部分地使用所述电子设备的地理位置来确定所述起始地理位置，所述电子设备的该地理位置通过全球定位系统或信号三角测量来确定。
4.根据权利要求1所述的方法，其中由所述用户经由所述电子设备上的图形用户界面(GUI)输入所述起始地理位置。
5.根据权利要求1所述的方法，其中所述未分类地理空间数据包括不相关GPS数据。
6.根据权利要求5所述的方法，其中所述一个或多个训练数据集包括使用多个行程数据记录的聚类分析获得的经标记数据。
7.根据权利要求6所述的方法，还包括通过将所述未分类或不相关GPS数据与一个或多个个人身份相关联来生成所述多个行程数据记录。
8.根据权利要求6所述的方法，其中通过对应的个人身份的社交数据、交通数据或购买数据来扩充所述多个行程数据记录。
9.根据权利要求1所述的方法，其中训练所述分类器包括基于一个或多个标记规则为行程的路段创建标签。
10.根据权利要求1所述的方法，还包括预测所述旅行路线的一个或多个部分的交通模式。
11.根据权利要求10所述的方法，其中所述交通模式包括自主车辆、叫车服务、轨道交通和/或陆地公共交通车辆。
12.根据权利要求1所述的方法，还包括当在所述行程期间接收新位置数据时更新所述行程意图或目的地。
13.一种用于预测用户的行程意图或目的地的系统，包括：
存储器，其用于储存一组指令；以及
一个或多个处理器，其被配置用于执行所述一组指令以便：
(a)接收旅行路线的起始地理位置和关于所述用户的身份的数据；
(b)至少部分地基于(i)关于所述用户的所述身份的所述数据和(ii)包含未分类地理空间数据的一个或多个训练数据集来训练分类器；
(c)使用在(b)中训练的所述分类器，至少部分地基于所述起始地理位置预测所述行程意图或所述目的地；以及
(d)当所述用户在车辆中沿着所述旅行路线的至少一部分旅行时，在电子设备上向所述用户呈现一个或多个交易选项，其中至少部分地基于在(c)中预测的所述行程意图或目的地来识别所述一个或多个交易选项。
14.根据权利要求13所述的系统，其中以全球定位系统(GPS)数据的形式接收所述起始地理位置。
15.根据权利要求13所述的系统，其中部分地使用所述电子设备的地理位置来确定所述起始地理位置，该地理位置通过全球定位系统或信号三角测量来确定。
16.根据权利要求13所述的系统，其中由所述用户经由所述电子设备上的图形用户界面(GUI)输入所述起始地理位置。
17.根据权利要求13所述的系统，其中所述未分类地理空间数据包括不相关GPS数据。
18.根据权利要求17所述的系统，其中所述一个或多个训练数据集包括使用多个行程数据记录的聚类分析获得的经标记数据。
19.根据权利要求18所述的系统，其中所述一个或多个处理器还被配置用于通过将所述未分类或不相关GPS数据与一个或多个个人身份相关联来生成所述多个行程数据记录。
20.根据权利要求18所述的系统，其中通过对应的个人身份的社交数据、交通数据或购买数据来扩充所述多个行程数据记录。
21.根据权利要求13所述的系统，其中所述一个或多个处理器被配置用于通过基于一个或多个标记规则为行程的路段创建标签来训练所述分类器。
22.根据权利要求13所述的系统，其中所述一个或多个处理器还被配置用于预测所述旅行路线的一个或多个部分的交通模式。
23.根据权利要求22所述的系统，其中所述交通模式包括自主车辆、叫车服务、轨道交通和/或陆地公共交通车辆。
24.根据权利要求13所述的系统，其中所述一个或多个处理器还被配置用于当在所述行程期间接收新位置数据时更新所述行程意图或目的地。
CN202180012352.7A 2020-02-03 2021-01-26 用于个性化地面交通处理和用户意图预测的系统和方法 Pending CN115053254A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062969472P 2020-02-03 2020-02-03
US62/969,472 2020-02-03
PCT/US2021/015020 WO2021158390A1 (en) 2020-02-03 2021-01-26 Systems and methods for personalized ground transportation processing and user intent predictions

Publications (1)

Publication Number Publication Date
CN115053254A true CN115053254A (zh) 2022-09-13

Family

ID=77199606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180012352.7A Pending CN115053254A (zh) 2020-02-03 2021-01-26 用于个性化地面交通处理和用户意图预测的系统和方法

Country Status (6)

Country Link
US (1) US20220341746A1 (zh)
EP (1) EP4100911A4 (zh)
JP (1) JP2023513469A (zh)
KR (1) KR20220131936A (zh)
CN (1) CN115053254A (zh)
WO (1) WO2021158390A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11054268B2 (en) * 2018-11-05 2021-07-06 Palo Alto Research Center Incorporated User behavior influence in transportation systems
EP3877867A4 (en) 2018-11-08 2022-07-27 Evangelos Simoudis VEHICLE DATA MANAGEMENT SYSTEMS AND METHODS
DE102021103806A1 (de) * 2021-02-18 2022-08-18 4.screen GmbH System sowie Verfahren zum Priorisieren von Navigationszielen von Fahrzeugen
WO2023036403A1 (en) * 2021-09-07 2023-03-16 Volkswagen Aktiengesellschaft A method for providing an automatic logbook for a driver of a vehicle, a system, a vehicle, an electronic control device and a computer program product
CN115100858B (zh) * 2022-06-20 2024-05-07 上海海事大学 一种共享单车与私人单车出行方式识别方法和系统
US20240202266A1 (en) * 2022-12-20 2024-06-20 Amadeus S.A.S. Computing resource optimization engine based on contextual linkage in a knowledge graph

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8392116B2 (en) * 2010-03-24 2013-03-05 Sap Ag Navigation device and method for predicting the destination of a trip
KR102440472B1 (ko) * 2016-07-20 2022-09-07 인포뱅크 주식회사 원격 자율 주행 제어 장치 및 방법
US9900747B1 (en) * 2017-05-16 2018-02-20 Cambridge Mobile Telematics, Inc. Using telematics data to identify a type of a trip
US11187550B2 (en) * 2017-07-14 2021-11-30 Allstate Insurance Company Distributed data processing systems for processing remotely captured sensor data
WO2019084012A1 (en) * 2017-10-24 2019-05-02 Metropia, Inc. SYSTEM FOR MANAGING TARGET CIRCULATION ALERTS
US20190186939A1 (en) * 2017-12-20 2019-06-20 Nio Usa, Inc. Intelligent trip prediction in autonomous vehicles
US20200290647A1 (en) * 2017-12-20 2020-09-17 Intel Corporation Coordinated autonomous driving
US11118918B2 (en) * 2017-12-31 2021-09-14 Cellepathy Inc. Enhanced navigation instruction
US11054270B1 (en) * 2018-02-01 2021-07-06 Facebook, Inc. Generating catalogs of navigation information
US11120349B1 (en) * 2018-03-06 2021-09-14 Intuit, Inc. Method and system for smart detection of business hot spots
US20190288852A1 (en) * 2018-03-15 2019-09-19 Ca, Inc. Probabilistic device identification
US20200372590A1 (en) * 2019-05-24 2020-11-26 International Business Machines Corporation Optimized transportation selection
WO2021006359A1 (ko) * 2019-07-05 2021-01-14 엘지전자 주식회사 자율주행시스템에서 장난감 장치를 활용한 차량 제어 방법 및 이를 위한 장치
KR20190095198A (ko) * 2019-07-26 2019-08-14 엘지전자 주식회사 자율 주행 시스템과 그 미디어 재생 방법
KR102220950B1 (ko) * 2019-07-31 2021-02-26 엘지전자 주식회사 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치

Also Published As

Publication number Publication date
EP4100911A1 (en) 2022-12-14
US20220341746A1 (en) 2022-10-27
JP2023513469A (ja) 2023-03-31
KR20220131936A (ko) 2022-09-29
WO2021158390A1 (en) 2021-08-12
EP4100911A4 (en) 2024-02-28

Similar Documents

Publication Publication Date Title
US20200363220A1 (en) Systems and methods for personalized ground transportation
JP6918087B2 (ja) オン・デマンドサービスの情報を提供する方法及びシステム
US20220341746A1 (en) Systems and methods for personalized ground transportation processing and user intent predictions
JP6640880B2 (ja) 個人別コンテンツを推奨するためのシステム及び方法
US20200242679A1 (en) Identifying items in images
US9372092B2 (en) Method and apparatus for providing a contextual menu in a map display
CN112236787B (zh) 用于生成个性化目的地推荐的系统和方法
US20230236033A1 (en) Method for Generating Personalized Transportation Plans Comprising a Plurality of Route Components Combining Multiple Modes of Transportation
EP3048422B1 (en) Method and apparatus for providing relevant point of interest on a multi-modal route
US9609471B2 (en) Method and apparatus for conveying point of interest data with minimum data exchange
US20150031400A1 (en) Method and apparatus for providing hub-based indexing and services
Smirnov et al. Intelligent mobile tourist guide: Context-based approach and implementation
US20150363748A1 (en) Method and apparatus for time-based notification during an event
US10222220B2 (en) Travel planner platform for providing quality tourism information
US10972900B2 (en) Method and apparatus for providing selected access to user mobility data based on a quality of service
CN111861622B (zh) 一种确定上车点推荐模型的方法和系统
US20200356909A1 (en) Method and system for recommending multi-modal itineraries
US20230358551A1 (en) Method and apparatus for optimizing a multi-stop tour with flexible meeting locations
US20220397408A1 (en) Content Delivery In Real-Time Guided Navigation
US20240357547A1 (en) Automated and dynamic location intelligence based on gps data
CN112050822B (zh) 用于生成行驶路线的方法、系统和装置
Ku et al. Digital convergence services for situation-aware POI touring

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