CN115545266A - 用于估计车辆系统的到达时间的系统和方法 - Google Patents
用于估计车辆系统的到达时间的系统和方法 Download PDFInfo
- Publication number
- CN115545266A CN115545266A CN202210739924.8A CN202210739924A CN115545266A CN 115545266 A CN115545266 A CN 115545266A CN 202210739924 A CN202210739924 A CN 202210739924A CN 115545266 A CN115545266 A CN 115545266A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle system
- transport
- machine learning
- destination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 83
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000007635 classification algorithm Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000003137 locomotive effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000013497 data interchange Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/09—Supervised 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G06Q50/40—
Abstract
提供了用于估计车辆系统的到达时间的系统和方法。所述系统包含一个或多个处理器,用于在从始发地到目的地的路线上在当前位置处获得车辆系统的运输事件和运输事件时间。所述一个或多个处理器基于历史运输数据确定运输事件条件,并且通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线。所述一个或多个处理器通过机器学习分类方法从所述历史运输数据中聚类运输事件数据集群,并且在所述当前位置处将所述运输事件数据与历史运输数据机器学习分类集群匹配。所述一个或多个处理器通过机器学习模型预测所述车辆系统到所述目的地的预计到达时间(ETA)。
Description
技术领域
本公开涉及用于估计车辆系统的到达时间的系统和方法。
背景技术
预测车辆系统的预计到达时间(Estimated Time of Arrival,ETA)可能是供应链管理的一个重要且具有挑战性的方面。供应链管理取决于有效资源分配,因此从供应链中的车辆系统获得准确的ETA有利于维护一个整合良好的运输系统。
许多因素可能导致车辆系统的ETA变化。交通、天气和运营问题可能会导致ETA发生变化。虽然与这些因素相关的信息可能允许更准确地预测ETA,但这些信息可能不容易用于分析。由于数据可用性、数据准确性、数据集的一致性和数据源的复杂性等因素,计算ETA的当前方法无法提供所需的准确性。
用于确定ETA的当前系统可能依赖于在车辆系统离开始发地或到达目的地时由运输人员提供的手动输入。手动输入可能容易出错,并且也可能无法考虑所有车辆系统进入或离开位置时在始发地和目的地产生的交通流量。ETA中产生的误差可能会导致无法满足商定的装运合同,这可能会导致交货延迟和/或对运输公司造成处罚。
用于确定ETA的当前系统也可能无法使用历史运输数据。目前确定静态ETA的系统无法考虑随时间变化的交通流量,这些交通流量可能会基于多个因素发生变化,包含始发地和目的地位置处的入站和出站交通、季节性条件(例如天气)、速度集群以及其它车辆系统在始发地和目的地位置之间的最近行程。
发明内容
根据一个实施例,方法可以包含:在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间;并且基于历史运输数据确定运输事件条件。所述方法可以进一步包含:通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线;并且使用机器学习分类方法从历史运输数据中聚类运输事件数据集群。所述方法可以进一步包含在当前位置处将运输事件数据集群与历史运输集群匹配;并且使用机器学习模型预测车辆系统到目的地的预计到达时间(ETA)。
根据一个实施例,系统可以包含:一个或多个处理器,所述处理器被配置成在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间,并且基于历史运输数据确定运输事件条件。所述一个或多个处理器可以进一步被配置成通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线,并且通过机器学习分类方法从历史运输数据中聚类运输事件数据集群。所述一个或多个处理器可以进一步被配置成在当前位置处将运输事件数据与历史运输数据机器学习分类集群匹配,并且通过机器学习模型预测车辆系统到目的地的预计到达时间(ETA)。
根据一个实施例,车辆系统可以包含一个或多个车辆。所述车辆系统可以进一步包含一个或多个处理器,所述处理器被配置成在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间,并且基于历史运输数据确定运输事件条件。所述一个或多个处理器可以进一步被配置成通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线,并且通过机器学习分类方法从历史运输数据中聚类运输事件数据集群。所述一个或多个处理器可以进一步被配置成在当前位置处将运输事件数据与历史运输机器学习分类集群匹配,并且通过机器学习模型预测车辆系统到目的地的预计到达时间(ETA)。在一个或多个车辆中的一个或多个上提供一个或多个处理器中的一个或多个。
附图说明
本发明主题可以通过参考附图阅读非限制性实施例的以下描述来理解,其中在下文中:
图1示意性地描绘根据一个实施例的运输网络;
图2示意性地描绘根据一个实施例的车辆系统;
图3示意性地描绘根据一个实施例的用于预测车辆系统的ETA的系统;
图4示意性地描绘根据一个实施例的机器学习模型;
图5示意性地描绘根据一个实施例的机器学习模型;
图6示意性地描绘根据一个实施例的用于估计车辆系统的ETA的系统;
图7示意性地描绘根据一个实施例的用于估计车辆系统的ETA的系统;
图8示意性地说明根据一个实施例的用于估计车辆系统的ETA的方法。
具体实施方式
本文所描述的主题的实施例涉及用于确定运输网络中的车辆系统的ETA的系统和方法,所述系统和方法利用使用机器学习的历史行程数据库来产生运输路线的ETA。所述系统和方法基于运输路线的特定数据属性产生每个运输支路的高维度上下文机器学习特征。特定属性可以包含路线上的交通、速度、距离、始发地和/或目的地处的交通和/或季节性条件。通过识别类似历史数据模式,所述系统和方法可以预测最可能的ETA。所述系统和方法通过例如通过始发地和目的地位置的交通流量的属性来适应不断变化的运输条件,所述属性可以使用例如实时电子数据交换(Electronic Data Interchange,EDI)来传送给车辆系统。
所述系统和方法使用机器学习数据聚类和回归方法提供自动化预测ETA。捕获源自当前车辆系统位置的传入运输事件,并且所述传入运输事件包含具有一个或多个运输事件属性和一个或多个装运属性的数据。确定装运标识和车辆系统位置并且产生交通状况。产生与车辆系统的当前运输路线支路相对应的多维运输上下文向量。将当前运输事件条件插入到路线支路历史上下文向量中,并且机器学习方法使用交通流量、速度、距离和位置集群(cluster)以及路线支路上最近完成行程的移动平均持续时间来预测ETA。
向车辆系统操作员和/或所有者提供更准确的预计到达时间允许操作员和/或所有者以及时和有效的方式管理他们的操作。本文所公开的系统和方法允许车辆系统所有者和/操作员有效地分配资源、人员、产品和设施,并减少由行程延迟引起的操作低效和开销增加。由于机器学习模型是动态的,因此它可以在例如卡车和港口的多个运输域中实施。为机器学习模型提供两个位置之间的行程持续时间信息允许机器学习模型从可用数据源中学习,并且使用从数据源创建的特征预测ETA。因此可以将机器学习模型扩展到其它运输方式并全面集成到供应链中。
参考图1,根据一个实施例的运输网络500包含多个互连路线502。路线502可以表示轨道车辆行驶经过的轨道(例如但不限于铁轨等)。运输网络可以在相对较大的区域,例如数百平方英里或千米的陆地区域上延伸。图1中所示的路线数目意指说明性的,而不是限制本文所描述的主题的实施例。此外,虽然本文描述的一个或多个实施例涉及由铁轨形成的运输网络,但并非所有实施例都如此受到限制。相反,除了或替代铁轨,运输网络可以由任何其它结构、路径等形成,例如但不限于道路、高速公路、州际公路、通过空域的飞行路径、水路等。
多个单独的车辆系统504沿着路线行驶。在所说明的实施例中,车辆系统在本文中显示和描述为轨道车辆和/或轨道车辆组成。然而,一个或多个其它实施例可以涉及除了轨道车辆和/或轨道车辆组成之外的车辆。例如,车辆系统可以表示例如机动车(例如汽车、公共汽车等)的公路车辆、船舶、飞机、采矿车辆、其它非公路车辆等。车辆系统可以包含一个或多个推进力产生车辆506(指代配置用于自推进的轨道车辆,例如机车等)。车辆系统任选地可以包含一个或多个非推进力产生车辆508(指代未配置用于自推进的轨道车辆,例如货车、客车等),它们机械地耦合或链接在一起以沿着路线行驶。
每个推进力产生车辆包含推动推进力产生车辆的推进系统510。推进系统可以包含一个或多个牵引马达、制动器等,其提供牵引力以沿着路线推进对应车辆系统并且提供制动力以减慢或停止车辆系统的移动。推进力产生车辆包含各种软件应用程序,例如但不限于控制车辆系统沿着路线移动的移动控制系统512。例如,移动控制系统可以控制推进系统的各种功能。在所说明的实施例中,移动控制系统是机车控制系统。推进力产生车辆和/或非推进力产生车辆可以包含各种其它软件应用程序,例如但不限于,管理由车辆系统消耗的燃料量的燃料管理系统、在不同推进力产生车辆之间分配牵引力和制动力的分布式电力系统、导航系统、能量管理系统、燃料喷射系统、黑匣子和/或其它日志记录应用程序、RMD系统、视频功能、燃料优化系统等。
车辆系统可以包含显示装置514,所述显示装置向车辆系统上的操作员在视觉上呈现移动控制指令和/或其它参数。例如,计算机监视器或显示屏可以呈现用于推进系统的油门和/或制动器设置的设置。这些设置可以提示操作员改变推进子系统的牵引力和/或制动力。或者,可以将控制指令从移动控制系统传送到推进系统以自动地控制推进子系统的牵引力和/或制动力。例如,推进子系统可以从移动控制系统接收更新的油门和/或制动器设置,并且响应于此改变牵引力或制动力。
运输网络包含中央调度站516,所述中央调度站控制车辆系统沿着运输网络的路线的移动。如图1中所示,当车辆系统沿着运输网络的路线行驶时,中央调度站设置在车辆系统之外(例如,外部)远离车辆系统的位置。运输网络可以包含一个或多个信令装置518(例如,停车标志、信令灯、警告和/或其它警报标志等),用于控制沿着路线的车辆系统的交通流量。运输网络可以包含一个或多个切换装置520,所述切换装置使车辆系统能够在不同路线之间(例如,在不同铁轨之间)转移。中央调度站可以包含企业资源计划(EnterpriseResource Planning,ERP)系统。中央调度站在本文中可以称为“后台”和/或“ERP系统”。中央调度站在本文中还可以称为“远程位置”。
车辆系统以通信方式连接到中央调度站,使得车辆系统和中央调度站可以彼此通信。例如,推进力产生车辆可以以通信方式连接到中央调度站以用于与其通信。车辆系统和中央调度站可以使用任何类型的通信并且使用任何类型的通信设备彼此通信。例如,车辆系统和中央调度站可以通过无线网络,例如但不限于使用射频(Radio Frequency,RF)、通过蜂窝网络、通过卫星网络等,进行无线通信。在一些实施例中,提供两个或更多个单独的无线网络,以在车辆系统与中央调度站之间提供两个或更多个冗余无线通信路径。例如,在所说明的实施例中,运输网络被配置成使得车辆系统和中央调度站可以通过蜂窝网络522和与蜂窝网络分开的卫星网络524两者彼此通信。如本文所使用,“卫星网络”是指使用一个或多个卫星以在车辆系统与中央调度站之间中继通信的无线网络。卫星网络可以包含任何数目的卫星,包含仅一个卫星。此外,蜂窝网络可以为任何其它类型的无线网络。
除了或代替通过一个或多个无线网络通信,车辆系统和中央调度站可以通过因特网、至少部分有线的内联网、网络通信电缆、电话电缆等通信。在一些实施例中,提供两个或更多个单独的有线网络,以在车辆系统与中央调度站之间提供两个或更多个冗余有线通信路径。运输网络可以包含有线网络和单独的无线网络两者,以在车辆系统与中央调度站之间提供至少两个冗余通信路径。除了或替代一个或多个无线网络和一个或多个有线网络,车辆系统和中央调度站可以通过单个网络彼此通信,所述单个网络包含无线路径和有线路径两者。
参考图2和3,根据一个实施例,车辆系统可以包含引领车辆,所述引领车辆可以是推进力产生车辆;以及一个或多个额外车辆,所述一个或多个额外车辆可以是非推进力产生车辆。根据一个实施例,额外车辆中的一个或多个可以是推进力产生车辆。如图2中所示,最后一个额外车辆可以是末端车辆。根据一个实施例,车辆系统可以是列车且引领车辆可以是机车。根据一个实施例,车辆系统的引领车辆可以是非推进力产生车辆,并且一个或多个推进力产生车辆可以位于引领车辆与末端车辆之间的车辆系统中。根据一个实施例,末端车辆可以是推进力产生车辆。
车辆系统中的引领车辆和额外车辆可以通过连接550以通信耦合。连接可以是有线或无线连接。根据一个实施例,连接可以是列车线电缆。引领车辆可以包含前端单元(Head-End-Unit,HEU)530,末端车辆可以包含末端车辆单元(End-Vehicle-Unit,EVU)540。HEU和EVU可以各自分别包含处理器538、548以及存储器532、542,所述存储器分别耦合到处理器且可操作以用于存储软件控制程序和/或操作数据。HEU可以包含显示装置。
根据一个实施例,每一存储器可以包含当存储器的电力丢失时或当由对应处理器覆写时丢失在其中存储的程序代码和数据的动态易失性存储器(例如RAM),和非易失性存储器(例如ROM、快闪存储器等),其中的后者(非易失性)存储器可以至少存储嵌入式操作系统和嵌入式数据以供对应HEU或EVU处理器在存在或不存在施加到处理器的非易失性存储器的电力时使用。根据一个实施例,HEU和/或EVU可以经由连接从引领车辆或另一车辆的电池或发电机接收电力以用于其操作。
根据一个实施例,HEU可以包含或耦合到安置于引领车辆中的接收器534,且EVU可以包含或耦合到安置于末端车辆中的接收器544。接收器可以被配置成接收识别车辆系统的位置的位置信息,例如GPS信息。HEU或EVU的一个或多个处理器可以从一个或多个远程传感器558接收输入,所述远程传感器可包括当车辆系统接近或经过标记和/或一个或多个信令装置时记录信息的相机。其它远程传感器可以包含速度传感器,所述速度传感器提供指示车辆系统的速度或车辆系统的车辆的信息。
根据一个实施例,控制器可以包含HEU和/或EVU的一个或多个处理器。如本文中所公开,由控制器进行处理是指可以由HEU和/或EVU的处理器中的一个或多个进行的处理。
参考图4,根据一个实施例的机器学习模型30可以神经网络的形式提供。神经网络可以是致力于辨识一组数据中的基本关系的一系列算法。神经网络中的“神经元”为根据特定架构收集和分类信息的数学函数。机器学习模型包含输入层34、隐藏层36和输出层38。输入层接受表示车辆系统的位置、车辆系统的速度、运输网络中的一个或多个其它车辆系统的位置,或运输网络中的一个或多个其它车辆系统的速度中的一个或多个的数据。在车辆系统的操作期间获得该数据。可以通过一个或多个远程传感器从蜂窝网络或卫星系统提供该数据。
根据一个实施例,机器学习模型可以是无监督机器学习模型。机器学习模型可以是半监督机器学习模型。在一个实施例中,机器学习模型是监督机器学习模型。机器学习模型可以具有经过标记的训练数据。机器学习模型使用训练数据来确定可以对应于训练数据中的ETA的车辆系统的ETA。机器学习模型还可以具有训练数据,所述训练数据经过标记且对应于车辆系统在运输网络内的路线上的预计到达时间。
隐藏层位于机器学习模型的算法的输入层与输出层之间。算法将权重应用于输入(例如,车辆系统的位置和速度以及运输网络中的其它车辆系统的位置和速度),并通过激活函数将它们引导为输出。隐藏层对输入到网络中的输入进行非线性变换。
参考图5,根据一个实施例的机器学习模型40包含输入层42、多个隐藏层44、46、48、50,和输出层52。归因于多个隐藏层,机器学习模型可以称为深度学习机器学习模型。隐藏层可以取决于机器学习模型的函数而变化,且隐藏层可以取决于其相关联权重而变化。隐藏层允许机器学习模型的函数分解为输入数据的特定变换。可以提供每一隐藏层函数以产生定义后的输出。
HEU或EVU的一个或多个处理器还可以被配置成执行一个或多个处理器的存储器中的指令,以使用机器学习模型来确定车辆系统的ETA。
参考图6,估计运输网络中的车辆系统的ETA的系统600包含多个数据源610、数据整合历史模块620、特征工程历史模块630和机器学习训练模块640。数据源可以包含一个或多个历史运输事件数据库612-1到612-N。一个或多个历史运输事件数据库可以由车辆系统的所有者和/或操作员,或者由与车辆系统的所有者和/或操作员签约的运输公司提供。历史运输事件数据可以包含运单、车辆系统事件或行程拼接算法中的一个或多个。
多个数据源还可以包含操作运输事件数据库614,所述操作运输事件数据库包含在运输网络中的车辆系统和其它车辆系统的操作期间获得的信息。车辆系统可以使用EDI电子数据交换来交换信息。操作运输事件数据库可以包含在操作期间例如实时地获得的信息,所述信息包含运单变化或车辆系统行程事件中的一个或多个,例如从始发地出发和到达位置。
数据源还可以包含主运输参考数据616,所述主运输参考数据包含关于运输网络的数据。数据可以包含关于从始发地到目的地的各种路线和/或运输网络内的各个路线(支路)的长度的信息。数据源还可以包含路线数据618,所述路线数据包含关于各种路线的条件的信息,例如所述路线数据可以包含来自联邦铁路管理局的轨道数据。
数据整合历史模块可以包含同义词和缩写子模块622,以标识同义词和/或缩写,和/或,以将同义词和/或缩写分配到来自数据源的数据。来自数据源的数据可以在停留和运送时间历史子模块624中被整合。停留和运送时间历史子模块中的信息可以包含表示运输网络中的车辆系统在各个路线(支路)以及运输网络内从始发地到目的地的路线上的停留和运送时间的信息。
可以将整合数据提供到运输支路距离子模块626,所述运输支路距离子模块包含运输网络的每一路线(支路)的距离的信息。可以将整合数据提供到特征工程历史模块,所述特征工程历史模块包含数据清理子模块631、分类属性子模块632、自定义数据变换器子模块633、数据缩放子模块634、时间序列预测子模块635,以及速度和交通聚类子模块636。速度和交通聚类子模块636还可以具有来自数据整合历史模块的运输支路距离子模块的运输支路距离信息。
特征工程历史模块的子模块对运输行程数据执行统计数据质量分析、数据变换、数据标准化和数据缩放。运输行程数据的统计数据分析、数据变换、数据标准化和数据缩放提供一系列功能,包含GIS(Geographic Information System,地理信息系统)运输数据可视化、相关性和直方图、数据属性探索和实验、无效数据检测、数据离群值建模、缺失数据替换、文本和分类属性处理,或数据变换和标准化处理。
将运输行程数据的统计数据质量分析、数据变换、数据标准化和数据缩放提供到分析多个行程属性的特征工程子模块637。行程上下文数据可以包含来自历史EDI数据库的多个数据属性以及导出的交通/速度/距离相关集群。每个属性可以具有不同类型和不同规模。系统根据重要性和与ETA的相关性对所有属性进行评分。特征工程子模块可能会排除对ETA的确定没有贡献的一些数据属性。
机器学习训练模块包含机器学习训练子模块641、模型评估和交叉验证子模块642、模型微调子模块643、最佳模型选择和误差估计子模块644、模型预测子模块645和ETA数据集子模块646。系统使用机器学习分类算法来产生机器学习数据特征。机器学习分类子模块从历史数据库检索运输交通数据并且产生交通相关的数据集群。将数据集群插入到运输路线高维矩阵空间中,使得每个运输路线支路具有最新的交通流量集群。ETA预测机器学习算法从分类子模块接收运输支路行程集群,并且使用最新的路线行程选择最准确的机器学习回归模型。
机器学习评估和交叉验证子模块包含预先选择和测试的机器学习模型的列表。机器学习模型使用网格搜索和随机搜索技术进行微调。该微调通过探索系统特征的不同组合来产生超参数。为了测试和验证ETA预测模型,系统使用交叉验证技术。每当重新训练机器学习模型时都会执行ETA预测模型验证。
系统监视ETA预测模型的性能并自动地重新训练ETA预测模型。系统包含机器学习模型监视代码,用于以规律间隔检查机器学习模型的性能并且在模型性能下降时提供警告。机器学习模型的评估包含对由系统提供的ETA预测进行采样并对ETA预测进行评估。
参考图7,系统700包含行程事件模块710、在线数据整合模块720、预测器特征工程模块730和机器学习预测器模块740。行程事件模块包含当前路线参考数据改变子模块712,所述当前路线参考数据改变子模块包含在运输网络中的车辆系统的操作期间发生的运输网络的路线的参考数据的变化。行程事件模块还包含每日提取子模块714-1到714-N,所述每日提取子模块包含运输网络中每日发生的行程事件数据。行程事件模块还包含当前运输事件子模块718,所述当前运输事件子模块包含在车辆系统的操作期间发生的当前运输事件。
在线数据整合模块包含匹配子模块722,所述匹配子模块从行程事件模块接收数据并且将数据与运输网络的运输支路匹配。运送和停留时间子模块724计算车辆系统的最近事件运送和停留时间。比较子模块726将运送和停留时间与车辆系统当前正在行驶的运输支路的ETA值进行比较。将整合数据添加到历史ETA数据库728。
将所预测的ETA提供到预测器特征工程模块,所述预测器特征工程模块包含去除离群值数据的数据清理子模块732。将清理的数据提供到数据质量数据库739。变换子模块734变换数据的分类属性,缩放子模块736缩放数据,并且自定义变换子模块738根据车辆系统的自定义规范对数据进行变换。
机器学习预测器模块接收在ETA模型预测器子模块742中的自定义数据。以类似于上文描述的方式,ETA模型由微调子模块744微调,最佳模型选择和误差估计子模块746选择最佳模型并估计误差,并且评估和交叉验证子模块748评估并交叉验证所选择模型。所选择模型存储于在线数据库749中,例如中央调度站中。
参考图8,确定车辆系统的ETA的方法800包含在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间801。所述方法进一步包含:基于历史运输数据确定运输事件条件820;并且通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线830。所述方法进一步包含通过机器学习分类方法从历史运输数据中聚类运输事件数据集群840;并且通过机器学习模型在当前位置处将运输事件数据集群与历史运输数据集群匹配850。所述方法进一步包含通过机器学习模型预测车辆系统到目的地的预计到达时间(ETA)860。
方法可以包含:在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间;并且基于历史运输数据确定运输事件条件。所述方法可以进一步包含通过数学优化方法基于历史运输路线、合同路线、合同交叉路口和车站主数据中的一个或多个预测最佳运输路线,并且聚类。所述方法可以进一步包含使用机器学习分类方法从历史运输数据中聚类运输事件数据集群;并且在当前位置处将运输事件数据集群与历史运输数据集群匹配。所述方法可以进一步包含使用机器学习模型预测车辆系统到目的地的预计到达时间。
任选地,运输事件可以包含运输事件属性中的一个或多个以及装运属性中的一个或多个。任选地,一个或多个运输事件属性可以包含以下一项或多项:其它车辆系统在路线上的交通、其它车辆系统在始发地和目的地中的一处或多处的交通、车辆系统与始发地或目的地中的一处或多处的距离、车辆系统的位置、车辆系统的速度和天气条件。任选地,一个或多个装运属性可以包含运单和运单改变中的一项或多项。
任选地,所述方法可以进一步包含基于车辆系统的当前位置从历史运输数据产生历史运输数据集群。任选地,产生历史运输数据集群可以进一步包含从路线产生历史运输数据集群。任选地,产生历史运输数据集群可以进一步包含确定车辆系统或另一车辆系统中的一个或多个从始发地到目的地的已完成行程的移动平均持续时间。
任选地,产生运输事件数据集群可以包含在当前位置处以及在目的地处产生运输事件数据集群。
任选地,所述方法可以进一步包含从一个或多个装运属性确定装运标识或装运位置中的一个或多个。
任选地,机器学习模型可以包含多个分类算法。任选地,多个分类算法中的每一个可以产生运输事件数据集群。任选地,所述方法可以进一步包含执行分类算法的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述方法可以进一步包含交叉验证分类算法并且为车辆系统到目的地的ETA选择最准确的分类算法。
任选地,所述方法可以进一步包含从运输事件数据集群产生多个回归模型,所述多个回归模型被配置成预测ETA。任选地,所述方法可以进一步包含执行回归模型的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述方法可以进一步包含交叉验证回归模型并且为车辆系统到目的地的ETA选择最准确的回归模型。任选地,多个回归模型可以是非线性回归模型。
系统可以包含一个或多个处理器,所述处理器被配置成在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间,并且基于历史运输数据确定运输事件条件。所述一个或多个处理器可以进一步被配置成通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线,并且通过机器学习分类方法从历史运输数据中聚类运输事件数据集群。所述一个或多个处理器可以进一步被配置成在当前位置处将运输事件数据与历史运输数据机器学习分类集群匹配,并且通过机器学习模型预测车辆系统到目的地的预计到达时间(ETA)。
任选地,运输事件可以包含运输事件属性和一个或多个装运属性中的一个或多个。任选地,一个或多个运输事件属性可以包含以下一项或多项:其它车辆系统在路线上的交通、其它车辆系统在始发地和目的地中的一个或多个处的交通、车辆系统与始发地或目的地中的一个或多个的距离、车辆系统的位置、车辆系统的速度和天气条件。
任选地,一个或多个装运属性可以包含运单和运单改变中的一个或多个。
任选地,所述一个或多个处理器可以进一步被配置成基于车辆系统的当前位置从历史运输数据产生历史运输数据集群。任选地,所述一个或多个处理器可以被配置成从路线产生历史运输数据集群。
任选地,所述一个或多个处理器可以进一步被配置成通过确定车辆系统或另一车辆系统中的一个或多个从始发地到目的地的已完成行程的移动平均持续时间来产生历史运输数据集群。任选地,所述一个或多个处理器可以被配置成在当前位置处以及在目的地处产生运输事件数据集群。
任选地,所述一个或多个处理器可以进一步被配置成从一个或多个装运属性确定装运标识或装运位置中的一个或多个。
任选地,机器学习模型可以包含多个分类算法。任选地,多个分类算法可以被配置成产生运输事件数据集群。
任选地,所述一个或多个处理器可以进一步被配置成执行分类算法的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述一个或多个处理器可以进一步被配置成交叉验证分类算法并且为车辆系统到目的地的ETA选择最准确的分类算法。
任选地,所述一个或多个处理器可以进一步被配置成从运输事件数据集群产生多个回归模型,所述多个回归模型被配置成预测ETA。
任选地,所述一个或多个处理器可以进一步被配置成执行回归模型的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述一个或多个处理器可以进一步被配置成交叉验证回归模型并且为车辆系统到目的地的ETA选择最准确的回归模型。
任选地,多个回归模型可以是非线性回归模型。
车辆系统可以包含一个或多个车辆。所述车辆系统可以进一步包含一个或多个处理器,所述处理器被配置成在从始发地到目的地的路线上在车辆系统的当前位置处获得车辆系统的运输事件和运输事件时间,并且基于历史运输数据确定运输事件条件。所述一个或多个处理器可以进一步被配置成通过数学优化方法基于历史运输路线、合同路线、合同交叉口和车站主数据中的一个或多个预测最佳运输路线,并且通过机器学习分类方法从历史运输数据中聚类运输事件数据集群。所述一个或多个处理器可以进一步被配置成在当前位置处将运输事件数据与历史运输机器学习分类集群匹配,并且通过机器学习模型预测车辆系统到目的地的预计到达时间(ETA)。在一个或多个车辆中的一个或多个上提供一个或多个处理器中的一个或多个。
任选地,运输事件可以包含运输事件属性和一个或多个装运属性中的一个或多个。任选地,一个或多个运输事件属性可以包含以下一项或多项:其它车辆系统在路线上的交通、其它车辆系统在始发地和目的地中的一个或多个处的交通、车辆系统与始发地或目的地中的一个或多个的距离、车辆系统的位置、车辆系统的速度和天气条件。
任选地,一个或多个装运属性可以包含运单和运单改变中的一个或多个。
任选地,所述一个或多个处理器可以进一步被配置成基于车辆系统的当前位置从历史运输数据产生历史运输数据集群。任选地,所述一个或多个处理器可以被配置成从路线产生历史运输数据集群。
任选地,所述一个或多个处理器可以进一步被配置成通过确定车辆系统或另一车辆系统中的一个或多个从始发地到目的地的已完成行程的移动平均持续时间来产生历史运输数据集群。任选地,所述一个或多个处理器可以被配置成在当前位置处以及在目的地处产生运输事件数据集群。
任选地,所述一个或多个处理器可以进一步被配置成从一个或多个装运属性确定装运标识或装运位置中的一个或多个。
任选地,机器学习模型可以包含多个分类算法。任选地,多个分类算法可以被配置成产生运输事件数据集群。
任选地,所述一个或多个处理器可以进一步被配置成执行分类算法的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述一个或多个处理器可以进一步被配置成交叉验证分类算法并且为车辆系统到目的地的ETA选择最准确的分类算法。
任选地,所述一个或多个处理器可以进一步被配置成从运输事件数据集群产生多个回归模型,所述多个回归模型被配置成预测ETA。
任选地,所述一个或多个处理器可以进一步被配置成执行回归模型的网格搜索或随机搜索中的一个或多个,以产生机器学习模型的最佳超参数。
任选地,所述一个或多个处理器可以进一步被配置成交叉验证回归模型并且为车辆系统到目的地的ETA选择最准确的回归模型。
任选地,多个回归模型可以是非线性回归模型。
如本文中所使用,术语“处理器”和“计算机”和例如“处理装置”、“计算装置”和“控制器”的相关术语可以不仅限于本领域中称为计算机的那些集成电路,还指代微控制器、微计算机、可编程逻辑控制器(PLC)、现场可编程门阵列和专用集成电路,和其它可编程电路。合适的存储器可以包含例如计算机可读介质。计算机可读介质可为例如随机存取存储器(RAM)、计算机可读非易失性介质,例如快闪存储器。术语“非暂时性计算机可读介质”表示针对短期和长期信息存储实施的有形的基于计算机的装置,所述信息例如计算机可读指令、数据结构、程序模块和子模块或任何装置中的其它数据。因此,本文中所描述的方法可编码为体现于包含但不限于存储装置和/或存储器装置的有形的非暂时性计算机可读介质中的可执行指令。这种指令在由处理器执行时使得处理器进行本文中所描述的方法的至少一部分。因此,所述术语包含有形的计算机可读介质,包含但不限于非暂时性计算机存储装置,包含但不限于易失性和非易失性介质,以及可装卸式和非可装卸式介质,例如固件、物理和虚拟存储装置、CD-ROMS、DVD和其它数字源,例如网络或因特网。
除非上下文另外明确地指明,否则单数形式“一”和“所述”包含复数指代。“任选的”或“任选地”意味着随后描述的事件或情况可以发生或可以不发生,且本说明书可以包含事件发生的实例和事件不发生的实例。如本文在整个说明书和权利要求中所使用,近似语言可以被用来修改可以允许变化的任何定量表示,而不引起它可能涉及的基本功能的变化。因此,由例如“约”、“基本上”和“近似”的一个或多个术语修饰的值可以不限于指定的精确值。在至少一些实例中,近似语言可对应于用于测量所述值的仪器的精度。此处以及说明书和权利要求书通篇中,范围限制可组合和/或互换,除非上下文或语言另外指示,否则此类范围可以被识别且包含其中包括的所有子范围。
本书面描述使用实例来公开包含最佳模式的实施例,并且使所属领域的技术人员能够实践所述实施例,包含制造和使用任何装置或系统以及执行任何并入的方法。权利要求书限定本公开可获专利的范围,且包含所属领域的技术人员了解的其它实例。如果这种其它实例具有与所附权利要求的字面语言相同的结构元件,或者如果它们包含与权利要求的字面语言无实质差别的等效结构要素,那么这种其它实例希望在权利要求的范围内。
Claims (10)
1.一种用于估计车辆系统的到达时间的方法,其包括:
在从始发地到目的地的路线上在车辆系统的当前位置处获得所述车辆系统的运输事件和运输事件时间;
基于历史运输数据确定运输事件条件;
通过数学优化方式基于历史运输路线、合同路线、合同交叉路口和车站主数据中的一个或多个预测最佳运输路线;
使用机器学习分类方式从所述历史运输数据中聚类运输事件数据集群;
在所述当前位置处将所述运输事件数据集群与历史运输数据集群匹配;以及
使用机器学习模型预测所述车辆系统到所述目的地的预计到达时间ETA。
2.根据权利要求1所述的方法,其中所述运输事件包括一个或多个运输事件属性和一个或多个装运属性,其中所述一个或多个运输事件属性包括以下一项或多项:在所述路线上的其它车辆系统的交通、在所述始发地和所述目的地中的一处或多处的其它车辆系统的交通、所述车辆系统与所述始发地和所述目的地中的一处或多处的距离、所述车辆系统的位置、所述车辆系统的速度和天气条件,并且所述一个或多个装运属性包括运单和运单改变中的一个或多个。
3.根据权利要求1所述的方法,其进一步包括:
基于所述车辆系统的所述当前位置或所述路线从所述历史运输数据中的一个或多个产生所述历史运输数据集群,
其中,所述产生所述历史运输数据集群进一步包括:确定所述车辆系统和另一车辆系统中的一个或多个从所述始发地到所述目的地的已完成行程的移动平均持续时间。
4.根据权利要求1所述的方法,其中所述机器学习模型包括多个分类算法,其中所述多个分类算法中的每一个产生运输事件数据集群,所述方法进一步包括:
执行所述分类算法的网格搜索和随机搜索中的一种或多种,以产生所述机器学习模型的最佳超参数;
交叉验证所述分类算法;以及
为所述车辆系统到所述目的地的所述ETA选择最准确的分类算法。
5.根据权利要求4所述的方法,其进一步包括:
从所述运输事件数据集群产生多个回归模型,所述多个回归模型被配置成预测所述ETA;
执行所述回归模型的网格搜索和随机搜索中的一种或多种,以产生所述机器学习模型的最佳超参数;
交叉验证所述回归模型;以及
为所述车辆系统到所述目的地的所述ETA选择最准确的回归模型。
6.一种用于估计车辆系统的到达时间的系统,其包括:
一个或多个处理器,其被配置成
在从始发地到目的地的路线上在车辆系统的当前位置处获得所述车辆系统的运输事件和运输事件时间;
基于历史运输数据确定运输事件条件;
通过数学优化方式基于历史运输路线、合同路线、合同交叉路口和车站主数据中的一个或多个预测最佳运输路线;
通过机器学习分类方式从所述历史运输数据中聚类运输事件数据集群;
在所述当前位置处将所述运输事件数据与历史运输数据机器学习分类集群匹配;以及
通过机器学习模型预测所述车辆系统到所述目的地的预计到达时间ETA。
7.根据权利要求6所述的系统,其中所述运输事件包括一个或多个运输事件属性和一个或多个装运属性,其中所述一个或多个运输事件属性包括以下一项或多项:在所述路线上的其它车辆系统的交通、在所述始发地和所述目的地中的一处或多处的其它车辆系统的交通、所述车辆系统与所述始发地和所述目的地中的一处或多处的距离、所述车辆系统的位置、所述车辆系统的速度和天气条件,并且所述一个或多个装运属性包括运单和运单改变中的一个或多个。
8.根据权利要求6所述的系统,其中所述一个或多个处理器被配置成通过确定所述车辆系统和另一车辆系统中的一个或多个从所述始发地到所述目的地的已完成行程的移动平均持续时间来产生所述历史运输数据集群。
9.根据权利要求6所述的系统,其中所述机器学习模型包括多个分类算法,其中所述多个分类算法中的每一个被配置成产生运输事件数据集群,其中所述一个或多个处理器进一步被配置成:
执行所述分类算法的网格搜索和随机搜索中的一种或多种,以产生所述机器学习模型的最佳超参数;
交叉验证所述分类算法;以及
为所述车辆系统到所述目的地的所述ETA选择最准确的分类算法。
10.根据权利要求9所述的系统,其中所述一个或多个处理器进一步被配置成:
从所述运输事件数据集群产生多个回归模型,所述多个回归模型被配置成预测所述ETA;
执行所述回归模型的网格搜索和随机搜索中的一种或多种,以产生所述机器学习模型的最佳超参数;
交叉验证所述回归模型;以及
为所述车辆系统到所述目的地的所述ETA选择最准确的回归模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/364,345 | 2021-06-30 | ||
US17/364,345 US20230004931A1 (en) | 2021-06-30 | 2021-06-30 | Systems and methods for estimating time of arrival of vehicle systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545266A true CN115545266A (zh) | 2022-12-30 |
Family
ID=82705297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210739924.8A Pending CN115545266A (zh) | 2021-06-30 | 2022-06-28 | 用于估计车辆系统的到达时间的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20230004931A1 (zh) |
CN (1) | CN115545266A (zh) |
AU (1) | AU2022202836A1 (zh) |
BR (1) | BR102022010698A2 (zh) |
CA (1) | CA3175502A1 (zh) |
DE (1) | DE102022116076A1 (zh) |
FR (1) | FR3124858A1 (zh) |
GB (1) | GB2610277A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115936817B (zh) * | 2022-12-30 | 2024-02-20 | 北京白驹易行科技有限公司 | 一种乘客订单起点聚合方法、装置及计算机设备 |
CN116681197B (zh) * | 2023-08-03 | 2023-10-24 | 万联易达物流科技有限公司 | 一种基于大数据的物流线路搜索方法及系统 |
CN117250931B (zh) * | 2023-11-16 | 2024-01-23 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9915542B2 (en) * | 2013-12-20 | 2018-03-13 | Google Llc | Transportation system reconstruction |
CN108288096B (zh) * | 2017-01-10 | 2020-08-21 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
CN110537212B (zh) * | 2017-05-22 | 2022-06-07 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的系统与方法 |
US20190120640A1 (en) * | 2017-10-19 | 2019-04-25 | rideOS | Autonomous vehicle routing |
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 |
US20220237432A1 (en) * | 2021-01-28 | 2022-07-28 | Accenture Global Solutions Limited | Artificial intelligence (ai) driven estimated shipment delivery time advisor |
-
2021
- 2021-06-30 US US17/364,345 patent/US20230004931A1/en active Pending
-
2022
- 2022-04-22 CA CA3175502A patent/CA3175502A1/en active Pending
- 2022-04-29 AU AU2022202836A patent/AU2022202836A1/en active Pending
- 2022-06-01 BR BR102022010698-3A patent/BR102022010698A2/pt unknown
- 2022-06-28 DE DE102022116076.9A patent/DE102022116076A1/de active Pending
- 2022-06-28 FR FR2206491A patent/FR3124858A1/fr active Pending
- 2022-06-28 GB GB2209429.6A patent/GB2610277A/en active Pending
- 2022-06-28 CN CN202210739924.8A patent/CN115545266A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
GB202209429D0 (en) | 2022-08-10 |
CA3175502A1 (en) | 2022-12-30 |
AU2022202836A1 (en) | 2023-01-19 |
BR102022010698A2 (pt) | 2023-01-10 |
US20230004931A1 (en) | 2023-01-05 |
FR3124858A1 (fr) | 2023-01-06 |
GB2610277A (en) | 2023-03-01 |
DE102022116076A1 (de) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11208129B2 (en) | Vehicle control system and method | |
Singh et al. | Deployment of autonomous trains in rail transportation: Current trends and existing challenges | |
US20220063689A1 (en) | Vehicle control system and method | |
US20230004931A1 (en) | Systems and methods for estimating time of arrival of vehicle systems | |
CN102030024B (zh) | 用于优化运行在多交叉铁路网上的多个轨道车辆的参数的方法 | |
CN101374714B (zh) | 用于列车的行程优化系统及方法 | |
US8271153B2 (en) | System, method and computer readable memory medium for verifying track database information | |
US8452467B2 (en) | System and method for verifying track database information | |
AU2014100587A4 (en) | System and method for planning movement of vehicles | |
CN101384465A (zh) | 用于利用信号灯信息优化火车旅行的方法和设备 | |
US20220119020A1 (en) | Vehicle Control System | |
US11318970B2 (en) | Vehicle control system | |
RU2712715C1 (ru) | Способ дистанционного управления автономным движением колонн и/или беспилотных транспортных средств (БТС) интеллектуальной транспортной инфраструктурой (ИТИ) сети автомобильных дорог | |
US11720113B2 (en) | Vehicle control and trip planning system | |
RU2725569C1 (ru) | Способ управления движением беспилотных транспортных средств (БТС) в колонне и/или отдельных БТС и мониторинга интеллектуальной транспортной инфраструктурой (ИТИ) сети автомобильных дорог | |
Saranya | Significance of artificial intelligence in the development of sustainable transportation | |
Kostrzewski et al. | Autonomy of urban light rail transport systems and its influence on users, expenditures, and operational costs | |
Hlubuček | Digital track map for the VEXA expert system | |
US20220349722A1 (en) | Vehicle control system | |
US20230326132A1 (en) | Image map generating systems and methods | |
Hamid | Using information engineering to understand the impact of train positioning uncertainties on railway subsystems | |
Escuín et al. | A Long-Distance Smart Driving Service Based on Floating Car Data and Open Data | |
Ozerov et al. | Train command and control for commuter and urban lines | |
CN116912436A (zh) | 生成图像地图的方法 | |
Volkov et al. | Information Systems for Vehicles Technical Condition Monitoring |
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 |