CN116806345A - 用于预测目的地位置的系统和方法 - Google Patents
用于预测目的地位置的系统和方法 Download PDFInfo
- Publication number
- CN116806345A CN116806345A CN202280008028.2A CN202280008028A CN116806345A CN 116806345 A CN116806345 A CN 116806345A CN 202280008028 A CN202280008028 A CN 202280008028A CN 116806345 A CN116806345 A CN 116806345A
- Authority
- CN
- China
- Prior art keywords
- data
- location
- destination
- destination location
- user
- 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 description 45
- 230000000306 recurrent effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000002123 temporal effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- G06Q50/40—
-
- 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
- G01C21/3484—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
- G01C21/3605—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种用于预测目的地位置的系统可包括一个或多个处理器以及存储器,该存储器具有存储于其中的指令。一个或多个处理器可使用至少一个循环神经网络来:处理空间数据,该空间数据包括关于出发点位置和目的地位置的第一信息集合;处理时间数据,该时间数据包括关于在出发点位置和目的地位置的时间的第二信息集合;基于该空间数据及该时间数据确定隐藏状态数据,其中该隐藏状态数据包括关于出发点‑目的地关系的数据;接收来自用户的当前输入数据,其中该当前输入数据可以包括该用户的身份标识及该用户的当前出发点位置;以及基于该隐藏状态数据及该当前输入数据预测该目的地位置。
Description
技术领域
本发明的各个方面涉及一种用于预测目的地位置的系统。本发明的各个方面涉及一种用于预测目的地位置的方法。本发明的各个方面涉及一种存储有计算机可执行代码的非暂时性计算机可读介质,该计算机可执行代码包括用于预测目的地位置的指令。本发明的各个方面涉及一种包括用于预测目的地位置的指令的计算机可执行代码。
背景技术
预测旅行的目的地是人类移动中的一项任务,它在现实世界的场景中有多种的应用,从优化电子调度系统的效率到预测及减少交通拥塞都有。特别是,它在电子叫车的环境中引起了人们的兴趣,归功于智能型手机技术的进步,电子叫车已经在全球范围内流行起来并使客户能够使用他们的智能手机来叫车。
下一个目的地的推荐在出租车及叫车服务的交通领域中很重要,在该领域中,根据用户当前的出发点位置,向用户推荐个性化的目的地。
为了预测用户的下一个目的地,可以使用诸如频率、序贯学习、矩阵分解等模型来基于一用户的造访顺序来预测该用户的下一个目的地。用于下一个目的地推荐任务的现有工作并非被设计来要同时从出发点及目的地序列中学习。它们被设计为仅从目的地序列进行学习。因此,现有的解决方案可能不准确,并且可能会提供较不情境化及不切实际的推荐(例如非常远的目的地)。
更重要的是,现有的工作没有考虑用户当前输入的出发点位置来执行该推荐,这使得它在现实世界的应用中非常不切实际,因为即使该用户倾向于乘车去附近的地方,但也可能被推荐到非常远的目的地,导致次优的性能。
发明内容
因此,期望提高预测目的地位置的准确性并实现对车辆(或等效地,用户)目的地的准确及可靠的预测。
本发明的优点可以包括通过学习来自出发点及目的地序列两者的所述序贯转移来准确及可靠地预测目的地位置。
本发明的优点可以包括可靠的预测系统,它可以是知晓出发点的,这意味着它会基于该用户当前所在的出发点位置或其输入的出发点位置的知识来进行预测。
本发明的优点可以包括目的地位置预测的个性化,这可以通过用户嵌入来学习并计算最能代表该用户当前偏好的隐藏表示来实现,从而最佳地预测下一个目的地。这可被解释为能够理解用户偏好的系统。
通过参考以下的描述及所述附图,本文所公开方面的这些及其他前述的优点及特征将变得明显。此外,应被理解的是,本文所描述各个方面的特征并不是相互排斥的,并且可以以各种组合及排列的方式存在。
本发明总体上涉及用于预测目的地位置的系统。该系统可以包括一个或多个处理器。该系统还可以包括一存储器,其中存储有指令,当该指令由一个或多个处理器执行时,可使一个或多个处理器使用至少一个循环神经网络来:处理空间数据,该空间数据可以包括关于出发点位置和目的地位置的一第一信息集合;处理时间数据,时间数据可以包括关于在出发点位置和目的地位置的时间的一第二信息集合;基于该空间数据及该时间数据确定隐藏状态数据,其中该隐藏状态数据可包括关于出发点-目的地关系的数据;接收来自用户的当前输入数据,其中当前输入数据可以包括该用户的一身份标识及该用户当前的出发点位置;以及基于该隐藏状态数据及该当前输入数据预测该目的地位置。
根据一实施例,该当前输入数据还可以包括该用户的前一个目的地。
根据一实施例,该第一信息集合可以包括局部出发点位置和局部目的地位置。该第二信息集合可以包括在局部出发点位置的时间和在局部目的地位置的时间。局部出发点位置和局部目的地位置可以在一地理哈希(geohash)内。
根据一实施例,该第一信息集合可以包括全局出发点位置和/或全局目的地位置。该第二信息集合可以包括在全局出发点位置的时间和/或全局目的地位置的时间。全局出发点位置和/或全局目的地位置可以在该地理哈希之外。
根据一实施例,该系统可包括一编码器。该编码器可被配置为处理该空间数据及该时间数据。该编码器可被配置为确定该隐藏状态数据。
根据一实施例,该系统可包括一解码器。该解码器可被配置为从该用户接收该当前输入数据。该解码器可被配置为从该编码器接收该隐藏状态数据。该解码器可以被配置为基于该隐藏状态数据及该当前输入数据来预测该目的地位置。
根据一实施例,该解码器可被配置为基于该隐藏状态数据、该当前输入数据及一第一预定权重来确定用户的个性化偏好数据。
根据一实施例,该解码器可被配置为基于该个性化偏好数据及具有一第二预定权重的该隐藏状态数据来预测该目的地位置。
根据一实施例,该解码器可被配置为确定该所预测目的地位置是正确的目的地位置的概率。
本发明总体上涉及一种用于预测目的地位置的方法。该方法可以包括:使用至少一个循环神经网络来:处理空间数据,该空间数据可包括关于出发点位置和目的地位置的一第一信息集合;处理时间数据,时间数据可以包括关于在出发点位置的时间和目的地位置的时间的一第二信息集合;基于该空间数据及该时间数据确定隐藏状态数据,其中该隐藏状态数据可包括关于出发点-目的地关系的数据;接收来自用户的当前输入数据,其中当前输入数据可以包括该用户的一身份标识及该用户当前的出发点位置;以及基于该隐藏状态数据及该当前输入数据预测该目的地位置。
根据一实施例,该当前输入数据还可包括该用户的前一个目的地。
根据一实施例,该第一信息集合可以包括局部出发点位置和局部目的地位置。该第二信息集合可以包括在局部出发点位置的时间和在局部目的地位置的时间。局部出发点位置和局部目的地位置可以在一地理哈希内。
根据一实施例,该第一信息集合可以包括全局出发点位置和/或全局目的地位置。该第二信息集合可以包括在全局出发点位置的时间和/或全局目的地位置的时间。全局出发点位置和/或全局目的地位置可以在该地理哈希之外。
根据一实施例,该方法可包括使用一编码器来:处理该空间数据及该时间数据;以及确定该隐藏状态数据。
根据一实施例,该方法可包括使用一解码器来:从该用户接收该当前输入数据;从该编码器接收该隐藏状态数据;以及基于该隐藏状态数据及该当前输入数据来预测该目的地位置。
根据一实施例,该方法可包括使用该解码器基于该隐藏状态数据、该当前输入数据及一第一预定权重来确定用户的个性化偏好数据。
根据一实施例,该方法可包括使用该解码器基于该个性化偏好数据及具有一第二预定权重的该隐藏状态数据来预测该目的地位置。
根据一实施例,该方法可包括使用该解码器来确定所预测的目的地位置是正确的目的地位置的概率。
本发明总体上涉及一种存储有计算机可执行代码的非暂时性计算机可读介质,该计算机可执行代码包括用于根据本发明的用于预测目的地位置的指令。
本发明一般涉及一种计算机可执行代码,其包括根据本发明的用于预测目的地位置的指令。
为了实现前面叙述及相关的目的,一个或多个实施例包括了在下文中充分描述并在权利要求中被特别指出的特征。以下描述及相关的附图详细阐述了一个或多个方面的某些说明性特征。然而,这些特征仅表示了各个方面的原理可采用之各种方式中的几种,并且本描述旨在包括所有的这些方面及其等价物。
附图说明
在附图中,在不同视图中相同的附图参考标记通常指相同的部分。附图不一定按比例绘制,而通常是把重点放在要说明的本发明的原理上。为了清楚起见,可以任意扩大或缩小各种特征或元件的尺寸。在以下的描述中,本发明的各个方面参考以下的附图进行描述,其中:
图1示出根据本发明的一实施例的系统100的示意图。
图2示出根据各种实施例的方法200的流程图。
图3示出根据各种实施例的示例性目的地推荐界面。
图4示出根据各种实施例的在出发点与目的地之间的示例性关系。
图5A示出根据各种实施例的在一局部视图中在出发点与目的地之间的示例性关系。
图5B示出根据各种实施例的在一全局视图中在出发点与目的地之间的示例性关系。
图6示出根据本发明的一实施例的循环神经网络的示意图。
图7示出根据本发明的一实施例的编码器及解码器系统的示意图。
图8A示出根据各种实施例的数据集的示例性统计。
图8B示出根据各种实施例的图8A的数据集SE-1到SE-4的示例性性能。
图8C示出根据各种实施例的图8A的数据集SE-5到SE-7的示例性性能。
图9示出根据本发明的一实施例的编码器及解码器系统的示意图。
具体实施方式
以下的详细描述参考了附图,附图通过图示的方式示出可在其中实践本发明的具体细节及实施例。这些实施例以足够详细的方式被描述以使本领域技术人员能够实践本发明。在不脱离本发明范围的情况下,其他实施例可被利用并且可以进行结构及逻辑上的改变。各种实施例不一定是相互排斥的,因为一些实施例可以与一个或多个其他的实施例相结合以形成新的实施例。
在系统或服务器或方法或计算机程序之一的上下文中所描述的实施例对于其他的系统或服务器或方法或计算机程序会类似地有效,并且反之亦然。
在一实施例的上下文中所描述的特征可相应地适用在其他实施例中相同或相似的特征。在一实施例的上下文中所描述的特征可相应地适用于其他的实施例,即使在这些其他实施例中并没有被明确地描述。此外,针对在一实施例上下文中的一特征所描述之添加和/或组合和/或替代可相应地适用于在其他实施例中相同或相似的特征。
“示例性”一词在本文中被用来表示“作为一示例、实例、或说明”。在本文中被描述为“示例性”的任何实施例或设计不一定被解释为优于其他的实施例或设计或比起其他的实施例或设计更为有利。
在不同实施例的该上下文中,关于一特征或元件所使用的冠词“一”、“一个”及“该”包括对一个或多个该特征或元件的参考。
如在本文中所使用的,用语“和/或”包括相关联所列项目中的一个或多个的任意及所有的组合。
术语“至少一个”及“一个或多个”可被理解为包括大于或等于一的数量(例如,一、二、三、四、[…]、等等)。术语“多个”可被理解为包括大于或等于二的数量(例如,二、三、四、五、[…]、等等)。
在本说明书及权利要求中的用语“复数的”及“多个”明确地表示大于一的数量。因此,任何明确援引上述用语(例如,“多个(a plurality of)[对象]”、“多个(multiple)[对象]”)来指代对象数量的短语明确地指代多于一个的对象。用语“的群组”、“的集合”、“的集”、“的系列”、“的序列”、“的分组”等等,以及在本说明书及权利要求中的类似用语,如果有的话,指的是等于或大于一的数量,即一个或多个。术语“真子集”、“缩减子集”、及“较小子集”指一集合的一子集但该子集不等于该集合,即该集合的包括比该集合少的元素的一子集。
本文中所使用的术语“数据”可被理解为包括以任何合适的模拟或数字形式的信息,例如,被提供为一文件、一文件的一部分、一文件集合、一信号或流、一信号或流的一部分、信号或流的一集合、等等。此外,术语“数据”还可被用来意指对信息的一引用,例如,以一指针的形式。然而,该术语数据不限于上述示例并且可以采用各种形式并表示在本领域中所理解的任何信息。
例如,本文中所使用的术语“处理器”或“控制器”可被理解为允许处理数据、信号等等的任何种类的实体。数据、信号等等可以根据一个或多个由该处理器或控制器所执行的特定功能而被处理。
一处理器或控制器因此可以是或包括一模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、现场可规划门阵列(FPGA)、集成电路、特定应用集成电路(ASIC)等等,或其任意组合。以下将被进一步详细描述之各个功能的任何其他类型的实现也可被理解为一处理器、控制器或逻辑电路。应被理解的是,在本文中所详述的处理器、控制器、或逻辑电路中的任意两个(或更多个)可被实现为具有等效功能性的一单一实体,并且相反地,在本文中所详述的任意一单处理器、控制器、或逻辑电路可以被实现为具有等效功能性之两个(或更多个)分开的实体。
在本文中所详述的该术语“系统”(例如,一驱动系统、一位置检测系统、等等)可被理解为一组相互作用的组件,这些组件可以例如是,但不局限于,一个或多个机械组件、一个或多个电子组件、一个或多个指令(例如,被编码在存储媒体中)、一个或多个控制器等等。
在本文中被使用的一“电路”被理解为任何种类之逻辑实现的实体,其可以包括专用硬件或一处理器执行的软件。因此,一电路可以是一模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(“CPU”)、图形处理单元(“GPU”)、数字信号处理器(“DSP”)、现场可规划门阵列(“FPGA”)、集成电路、特定应用集成电路(“ASIC”)、等等,或其之任意组合。以下将被进一步详细描述之各个功能的任何其他类型的实现也可被理解为一“电路”。应被理解的是,在本文所详述之任意两个(或更多个)电路可被实现为具有本质上等效功能性的一单一电路,并且相反的是,在本文所详述之任意单一电路可被实现为具有本质上等效功能性之两个(或更多个)分开的电路。此外,对一“电路”的引用可以指共同形成一单一电路的两个或更多个电路。
如在本文中所使用的,“存储器”可被理解为可以存储数据或信息以供检索的一种非暂时性计算机可读介质。本文所包括对“存储器”的引用可因此被理解为是指易失性或非易失性存储器,包括随机存取存储器(“RAM”)、只读存储器(“ROM”)、闪存、固态存储器、磁带、硬盘、光盘等等,或它们的任意组合。此外,可被理解的是,寄存器、移位寄存器、处理器寄存器、数据缓冲器等等在本文中由术语存储器所包含。应理解,被称为“存储器”或“一存储器”的一单一组件可由多于一种不同类型的存储器所组成,因此可指包括一种或多种类型存储器的一集中式的组件。容易被理解的是,任意单一存储器组件都可被分解成多个共同等效的该存储器组件,反之亦然。此外,虽然存储器可被描述为与一个或多个其他的组件分开(诸如在附图中),但应被理解的是,存储器可被整合在另一个组件内,诸如在一公共集成芯片上。
如在本文中所使用的,术语“地理哈希”可以是一城市或国家的分区区域的预先定义的地理编码单元。
以下的详细描述参考了附图,附图通过说明的方式图示出可在其中实践本发明的具体细节及实施例。这些实施例以足够详细的方式被描述以使本领域技术人员能够实践本发明。各个方面被提供用于该呈现的系统,并且各个方面被提供用于方法。将被理解的是,该系统的基本特性也适用于方法,反之亦然。在不脱离本发明范围的情况下,其他方面可被利用并且可以进行结构及逻辑上的改变。各个方面不一定是相互排斥的,因为一些方面可以与一个或多个其他的方面相结合以形成新的方面。
为了更容易理解并付诸实践,现在将通过举例的方式而非限制的方式并参考附图来描述本系统、方法、及其他特定的方面。为简洁起见,特征及属性的重复描述可能被省略。
将被理解的是,本文针对一特定系统或装置所描述之任意的性质也可以适用于本文所描述之任意的系统或装置。还应当被理解的是,本文针对一特定方法所描述之任意的性质也可以适用于本文所描述之任意的方法。此外,应当被理解的是,对于本文所描述的任意装置、系统、或方法,不一定所有所描述之组件或操作都将被包含在该装置、系统、或方法中,而是可以只包括一些(但不是全部)组件或操作。
该术语“包含”应被理解为类似于该术语“包括”具有一广泛的含义,并且将被理解为暗示包含一所述的整数或操作或整数或操作群组,但并不排除任何其他的整数或操作或整数或操作群组。这个定义也适用于该术语“包含”一词的变型诸如“包含”及“包括”。
在本文中该术语“耦合”(或“连接”)可被理解为电气耦合或机械耦合,例如,附接或固定或附接,或仅接触而没有任何的固定,并且将被理解为直接耦合或间接耦合(换句话说:没有直接接触的耦合)两者都可被提供。
在本文中该术语“实体”可被理解为一人类用户、一企业、一用户群组或一组织。
图1示出根据本发明的一实施例的系统100的示意图。
根据各种实施例,该系统100可以包括一服务器110和/或一用户装置120。
在各种实施例中,该服务器110及该用户装置120可通过通信网络130彼此进行通信。在一实施例中,尽管图1示出了将该服务器110连接到该通信网络130的一线路、将该用户装置120连接到该通信网络130的一线路,但是该服务器110及该用户装置120可以不实体地例如通过一电缆彼此连接。在一个实施例中,该服务器110及该用户装置120能够通过因特网通信协议通过通信网络130或通过一移动蜂窝通信网络进行无线通信。
在各种实施例中,该服务器110可以是如在图1中示意性地示出的单个该服务器,或具有由跨多个服务器组件分布的服务器110所执行的该功能。在一实施例中,该服务器110可以包括一个或多个服务器处理器112。在一实施例中,由该服务器110所执行的各种功能可以跨该一个或多个服务器处理器来执行。在一实施例中,由该服务器110所执行的各种功能中的每个特定功能可由一个或多个服务器处理器中一特定的服务器处理器来执行。
在一实施例中,该服务器110可包括一存储器114。在一实施例中,该服务器110还可包括一数据库。在一实施例中,该存储器114及该数据库可以是一个组件或者可以是分开的组件。在一实施例中,该服务器的该存储器114可以包括计算机可执行代码,该计算机可执行代码定义该服务器110在一个或多个服务器处理器112的控制下执行的功能。在一实施例中,该数据库和/或存储器114可以包括过去交通服务的历史数据,例如,出发点位置和/或目的地位置、和/或在出发点位置的时间、和/或在目的地位置的时间、和/或用户配置文件,例如,用户身份和/或用户偏好。在一实施例中,该存储器114可以包括或可以是诸如一非暂时性计算机可读介质的一计算机程序产品。
根据各种实施例,一计算机程序产品可以存储该计算机可执行代码,其包括根据各种实施例的用于预测目的地位置的指令。在一实施例中,该计算机可执行代码可以是一计算机程序。在一实施例中,该计算机程序产品可以是一非暂时性计算机可读介质。在一实施例中,该计算机程序产品可以在该系统100和/或该服务器110中。
在一些实施例中,该服务器110还可以包括允许该服务器110在该通信网络130上进行通信的一输入和/或输出模块。在一实施例中,该服务器110还可以包括用于该服务器110的用户控制的一用户界面。在一实施例中,该用户界面可包括例如诸如显示器监视器的计算外围装置、用户输入装置,例如触摸屏装置和计算机键盘。
在一实施例中,该用户装置120可包括一用户装置存储器122。在一实施例中,该用户装置120可以包括一用户装置处理器124。在一实施例中,该用户装置存储器122可以包括计算机可执行代码,该计算机可执行代码定义该用户装置120在该用户装置处理器124的控制下执行的功能。在一实施例中,该用户装置存储器122可包括或者可以是诸如一非暂时性计算机可读介质的一计算机程序产品。
在一实施例中,该用户装置120还可以包括允许该用户装置120在该通信网络130上进行通信的一输入和/或输出模块。在一实施例中,该用户装置120还可以包括供该用户控制该用户装置120的一用户界面。在一实施例中,该用户界面可以是一触摸面板显示器。在一实施例中,该用户界面可以包括一显示器监视器、一键盘或按钮。
在一实施例中,该系统100可被用来预测一目的地位置。在一实施例中,该存储器114可以具有存储在其中的指令。在一实施例中,该指令在由一个或多个处理器执行时可使该处理器112使用至少一个循环神经网络来预测一目的地位置。
在一实施例中,该处理器112可使用至少一个循环神经网络来处理空间数据,该空间数据可以包括关于出发点位置和目的地位置的一第一信息集合。
在一实施例中,该处理器112可使用至少一个循环神经网络来处理处理时间数据,该时间数据可以包括关于在出发点位置和目的地位置的时间的一第二信息集合。
在一实施例中,该处理器112可使用至少一个循环神经网络基于该空间数据及该时间数据确定隐藏状态数据。在一实施例中,该隐藏状态数据可包括关于出发点-目的地关系的数据。
在一实施例中,该处理器112可使用至少一个循环神经网络来接收来自用户的当前输入数据。在一实施例中,该当前输入数据可以包括该用户的一身份标识及该用户当前的出发点位置。
在一实施例中,该处理器112可使用至少一个循环神经网络基于该隐藏状态数据及该当前输入数据预测该目的地位置。
在一实施例中,从用户接收的该当前输入数据可以包括该用户的前一个目的地。在一实施例中,该用户的前一个目的地可被用来预测该目的地位置。
在一实施例中,该第一信息集合可以包括局部出发点位置和/或局部目的地位置。在一实施例中,该第二信息集合可以包括在局部出发点位置和/或局部目的地位置的时间。在一实施例中,局部出发点位置和/或局部目的地位置可以在一地理哈希内。该术语“地理哈希”可以是一城市或国家的分区区域的预先定义的地理编码单元。
在一实施例中,该第一信息集合可以包括全局出发点位置和/或全局目的地位置。在一实施例中,该第二信息集合可以包括在全局出发点位置和/或全局目的地位置的时间。在一实施例中,全局出发点位置和/或全局目的地位置可能在该地理哈希之外。
在一实施例中,该系统100可包括一编码器。在一实施例中,该编码器可被配置为处理该空间数据及该时间数据。在一实施例中,该编码器可被配置为确定该隐藏状态数据。
在一实施例中,该系统100可包括一解码器。在一实施例中,该解码器可被配置为从该用户接收该当前输入数据。在一实施例中,该解码器可被配置为从该编码器接收该隐藏状态数据。在一实施例中,该解码器可被配置为基于该隐藏状态数据及该当前输入数据来预测该目的地位置。
在一实施例中,该解码器可被配置为基于该隐藏状态数据、该当前输入数据及一第一预定权重来确定用户的个性化偏好数据。
在一实施例中,该解码器可被配置为基于该个性化偏好数据及具有一第二预定权重的该隐藏状态数据来预测该目的地位置。
在一实施例中,该解码器可被配置为确定该所预测的目的地位置是正确的目的地位置的概率。
图2示出根据各种实施例的方法200的流程图。
根据各种实施例,用于预测一目的地位置的该方法200可被提供。在一实施例中,该方法200可包括步骤202:使用至少一个循环神经网络来处理空间数据。该空间数据可包括关于出发点位置和目的地位置的信息。
在一实施例中,该方法200可包括步骤204:使用至少一个循环神经网络来处理时间数据。该时间数据可以包括关于在出发点位置和目的地位置的时间的信息。
在一实施例中,该方法200可包括步骤206:使用至少一个循环神经网络基于该空间数据及该时间数据确定出发点-目的地关系。
在一实施例中,该方法200可包括步骤208:使用至少一个循环神经网络来接收来自用户的当前输入数据。该当前输入数据可以包括该用户的一身份标识及该用户当前的出发点位置。
在一实施例中,该方法200可包括步骤210:使用至少一个循环神经网络基于该出发点-目的地关系及该当前输入数据预测该目的地位置。
在一实施例中,步骤202至210以特定的顺序被示出,但是其他顺序也是可行。在某些情况下步骤也可被合并。可以使用步骤202至210的任何合适的顺序。
图3示出根据各种实施例的一示例性目的地推荐界面。
在一实施例中,该示例性目的地推荐界面300可以包括一当前出发点位置302。在一实施例中,针对当前出发点位置302,可包括至少一个推荐目的地。在一实施例中,该至少一个推荐目的地可由用于预测目的地位置的系统来预测。在一实施例中,该系统可从该当前出发点位置302预测用户可以行进到的前X个目的地位置,其中X可以是一预定值。在一实施例中,该系统可以基于一用户身份标识来预测前X个目的地位置。也就是说,来自该当前出发点位置302的前X个目的地位置可以随着用户的不同而不同。
在一实施例中,至少一个推荐目的地可以包括一第一推荐目的地304A。在一实施例中,至少一个推荐目的地可以包括一第二推荐目的地304B。在一实施例中,至少一个推荐目的地可以包括一第三推荐目的地304C。在一实施例中,该第一推荐目的地304A可以是该系统预测为最可能目的地的一目的地。在一实施例中,该第三推荐目的地304C可以是该系统预测为在所有推荐位置中最不可能目的地的一目的地。
在一实施例中,可以使用以下的问题公式:
令U={u1,u2,…,uM}为M位用户的集合而L={l1,l2,…,lN}为供在U中用户造访的N个位置的该集合,其中每一个位置ln∈L在用户轨迹数据集中可以具有一出发点o或一目的地d的角色,或两者兼而有之。每位用户um可以具有上车(出发点)及下车(目的地)元组的OD序列其可以记录他们的出租车行程,并且可以是所有用户的OD序列的集合。在S中所有的位置造访,无论出发点还是目的地,都可以具有自己的位置坐标LC及时间戳time。
在一实施例中,知晓出发点的下一个目的地推荐任务的该目标可以是考虑以下各项中的至少一项:该用户um、该当前出发点及OD元组的历史序列/>以推荐来自L的一目的地的有序集合。在一实施例中,该下一个目的地/>可以在该推荐集合中排名靠前。在一实施例中,/>及Strain可以是来自该训练分区的集合,为了清楚起见带有该上标train。
图4示出根据各种实施例的在出发点与目的地之间的示例性关系。
在图4的地图400中,至少一个出发点位置可以在地图400中。该至少一个出发点位置可以包括第一出发点位置402A、第二出发点位置402B、及第三出发点位置402C。
在图4的地图400中,至少一个目的地位置可以在地图400中。该至少一个目的地位置可以包括第一目的地位置402A、第二目的地位置402B、及第三目的地位置402C。
在一实施例中,该至少一个目的地位置可被用来通过学习目的地-目的地(DD)关系来学习和/或预测下一个目的地。
在一实施例中,包括诸如一出发点序列或信息的出发点位置可以有助于学习出发点-出发点(OO)和/或出发点-目的地(OD)关系。
现有的成果及方法并没有研究出发点-出发点(OO)和/或出发点-目的地(OD)关系和/或如何包括出发点信息。学习出发点-出发点(OO)和/或出发点-目的地(OD)关系的一优点为可以产生一模型,该模型可以从两个序列中最佳地学习,从而最好地执行该任务。
图5A示出根据各种实施例的在一局部视图中在出发点与目的地之间的示例性关系。
在图5A的地图中,至少一个位置可以在该地图500中。该至少一个目的地位置可以包括第一位置502A、第二位置502B、第三位置502C、第四位置502D、第五位置502E。在一实施例中,对于该至少一个位置,可以为该至少一个位置中的每个位置获得空间和/或时间因素。在一实施例中,对于空间因素,可以获得出发点与目的地之间的关系。在一实施例中,对于时间因素,可以获得每个位置的时隙嵌入。还可以获得时间间隔。
在图5A的该地图中,该空间因素及该时间因素可以在一局部视图中。在一实施例中,局部视图可以被认为是在一地理哈希内的位置。
图5B示出根据各种实施例的在一全局视图中在出发点与目的地之间的示例性关系。
在图5B的地图中,至少一个位置可以在该地图510中。该至少一个目的地位置可以包括第一位置512A、第二位置512B、第三位置512C、第四位置512D、第五位置512E。在一实施例中,对于该至少一个位置,可以为该至少一个位置中的每个位置获得空间和/或时间因素。在一实施例中,对于空间因素,可以获得出发点与目的地之间的关系。在一实施例中,对于时间因素,可以获得每个位置的时隙嵌入。还可以获得时间间隔。
在图5B的该地图中,该空间因素及该时间因素可以是在一全局视图中。在一实施例中,全局视图可以被认为是不在一地理哈希内的位置。在一实施例中,可通过计算从一位置到所有其他位置的逐对间隔来计算该空间和/或该时间因素以了解它们有“多远”及有“多近”。
图6示出根据本发明的一实施例的循环神经网络的示意图。
在一实施例中,该循环神经网络600可以是一空间-时间LSTM(ST-LSTM)模型。在一实施例中,可以使用针对多分类问题的具有交叉熵损失的一亚当(Adam)优化器来训练该模型。在一实施例中,该亚当优化器的批次大小可以为1。该亚当优化器可以使用15个时期(epoch)和/或一0.0001的学习率进行训练。
在图6的该实例中,该空间及该时间因素可被并入到LSTM中的新空间及时间单元状态中。在一实施例中,该ST-LSTM模型可以是具有空间及时间单元状态的LSTM模型的扩展。该ST-LSTM模型可用于基于在局部及全局视图两者中的空间及时间因素来学习出发点-目的地关系。在一实施例中,从一LSTM模型到一ST-LSTM模型的该扩展可以寻求允许学习出发点-目的地关系,因为该LSTM能够在给定一出发点或一目的地序列的情况下分别地学习出发点-出发点或目的地-目的地关系,但无法学习出发点-目的地关系。
在一实施例中,给定用于时步ti的一输入位置Wi s,/>及/>可以是用于该空间单元状态的输入及遗忘阀(即/>及/>)、以及单元输入/>的对应的权重矩阵。这些权重矩阵可以学习用于该位置的地理哈希嵌入/>的表示及空间间隔向量/>的表示。对应于偏差/>的权重矩阵/>可以学习该前一隐藏状态/>的表示,其可以强制执行一循环结构并且可以学习用于该空间单元状态的顺序依赖关系。在计算该表示之后,可以应用sigmoidσ及双曲正切tanh的激活函数。然后,该空间单元状态/>可以从阀及单元输入计算出,其中⊙是哈达玛积(Hadamard product)。以下等式可用于计算该空间单元状态/>
在一实施例中,空间单元状态等式可把来自该局部视图的值(诸如地理哈希嵌入)及来自该全局视图的值(诸如空间间隔)合并到该空间单元状态中。
在一实施例中,给定用于时步ti的一输入位置Wi t,/>及/>可以是用于该时间单元状态的输入及遗忘阀(即/>及/>)、及单元输入/>的对应的权重矩阵。这些权重矩阵可以学习用于该位置的造访时隙嵌入/>的表示及时间间隔向量/>的表示。对应于偏差/>的权重矩阵/>可以学习该前一隐藏状态/>的表示,其可以强制执行一循环结构并学习用于该时间单元状态的顺序依赖关系。在计算该表示之后,可以应用sigmoidσ及双曲正切tanh的激活函数。然后,可以从阀及单元输入计算出该时间单元状态/>其中⊙是该哈达玛积。以下等式可用于计算该时间单元状态/>
在一实施例中,时间单元状态等式可把来自该局部视图的值(诸如时隙嵌入)及来自该全局视图的值(诸如时间间隔)合并到该空间单元状态中。
在一实施例中,可以把三个隐藏状态融合为用于该当前时步的该输出隐藏状态。在一实施例中,为了计算用于时步ti的ST-LSTM的该隐藏状态可以使用来自该单元状态空间单元状态/>及时间单元状态/>的该级联||的该权重矩阵Wh来学习一表示。该表示可以经历双曲正切函数tanh及使用该LSTM的现有输出阀/>进行哈达玛积⊙。以下等式可被用来计算该隐藏状态/>
在一实施例中,该空间及时间单元状态再加上该LSTM的单元状态可使得能够学习OD关系,因为单单LSTM可能无法学习OD关系。
图7示出根据本发明的一实施例的一编码器及一解码器系统的示意图。
在一实施例中,利用该循环神经网络模型(例如,该ST-LSTM模型),个性化偏好注意力(PPA)模型可被公开。该PPA可以是空间-时间的出发点-目的地个性化偏好注意力(STOD-PPA)。该PPA模型可以是或可以使用一编码器-解码器框架。
在一实施例中,该系统可以包括一编码器。在一实施例中,该编码器可以对该用户的历史的出发点及目的地序列进行编码以捕捉他们的偏好。在一实施例中,该编码器可以使用该循环神经网络模型来学习OO、DD及OD关系。在一实施例中,因为每位用户的OD元组序列被划分为训练及测试分区,该训练分区/>可被使用并且可分别被拆分成分开的出发点序列/>及目的地序列在一实施例中,为了效率起见,/>的该第一出发点及/>的该最后一个目的地/>可被省略,以使得该编码器及该解码器两者都将使用该同一组输入序列,这可以允许为每位用户执行批次训练。在一实施例中,/>及两者都可分别使用φO及φD的ST-LSTM而被单独地编码,:
在一实施例中,这可以允许OO关系及DD关系在它们自己的ST-LSTM中被学习,以及从新提出的空间及时间单元状态来学习OD关系。在一实施例中,针对用户um∈U的所有隐藏状态的一最终集合,可以把/>及/>两者级联起来以作为该编码器的输出,以供该解码器在训练及测试中使用以预测下一个目的地。
在一实施例中,该系统可以包括一解码器。在一实施例中,该解码器可以对该经编码的隐藏状态进行编码,以在给定该当前出发点、和/或前一个目的地和/或该用户ID的情况下执行下一个目的地或下车点的预测任务。在一实施例中,在对OD序列进行编码之后,可以应用该个性化偏好注意力(PPA)解码器模块来注意所有经编码的OD隐藏状态,并且可基于该用户的动态偏好来计算一知晓出发点的个性化隐藏表示。
在一实施例中,这可以允许OO及DD关系可以在它们自己的ST-LSTM中被学习,以及从新提出的空间及时间单元状态来学习OD关系。在一实施例中,针对用户um∈U的所有隐藏状态的一最终集合,可以把/>及/>两者级联起来作为该编码器的该输出,以供该解码器在训练及测试中使用以预测下一个目的地。
在一实施例中,该解码器可为在中每一个经编码的隐藏状态计算一注意力分数。在一实施例中,可以通过在对出发点序列及目的地序列两者进行编码之后采用该前一个目的地/>当前出发点/>及当前用户/>以及每一个隐藏状态/>的嵌入输入,来计算该注意力分数。在一实施例中,可以使用以下等式来计算该注意力分数/>
其中WA可以是用以学习级联输入的表示的权重矩阵,然后是Leaky ReLU激活函数σLR,然后在整个上应用一softmax归一化。
在一实施例中,可以把注意力分数的加权总和应用到每一个经编码的隐藏状态/>以计算最能代表该用户偏好的一隐藏表示。在一实施例中,可以使用以下等式来计算针对时步ti的输出隐藏表示/>
/>
在一实施例中,下一个目的地的概率分布可以使用以下等式来计算:
其中可使用该权重矩阵Wloc被投影到位置的数量或|L|,然后softmax函数通过作为一多分类问题学习/>来推导所有位置的一概率分布。因此,我们可以按降序对该分布进行排序,以获得最终排名的推荐集合,在推荐集合中下一个目的地位置/>应该被高位排名。
图8A示出根据各种实施例的数据集的示例性统计。
在图8A中,展示了七个数据集SE1-SE7。在一实施例中,每一个数据集可以包括指示以下至少一项的数据:用户数量、和/或位置数量、和/或出发点位置数量、和/或目的地位置数量、和/或行程数量。在一实施例中,该位置数量可以等于出该发点位置数量及该目的地位置数量。
图8B示出根据各种实施例的图8A的数据集SE-1到SE-4的示例性性能。图8C示出根据各种实施例的图8A的数据集SE-5到SE-7的示例性性能。
在图8B及图8C中,展示了其中STOD-PPA模型超越了所有的现有方法的评估结果。在图8B及图8C中,针对所有数据集及所有的度量,STOD-PPA及其在不同的随机种子上运行10次之后的标准偏差超越了LSTPM、LSTPM-OD扩展以及其他现有的方法及基线,该LSTPM-OD扩展也考虑了出发点及目的地信息以进行公平比较。Acc@K可以评估该排名列表直到K的质量,而MAP评估整个排名列表的质量。
在一实施例中,可以使用Acc@K的标准度量,其中K可以是K∈{1,5,10}。K及平均精度均值(MAP)可用于评估。Acc@K可衡量直到K的该推荐集合的性能,其中K越小,良好地执行就越具有挑战性。在一实施例中,在Acc@1中,如果基准真值的下一个目的地处于该预测排名集合的第一个位置(K=1),即给予最高的概率,则可以给予1分。在一实施例中,在Acc@1中,如果基准真值的下一个目的地被给予最低的概率,则可以给予0分。在一实施例中,Acc@K聚焦在前K名。在一实施例中,MAP可以评估该整个推荐集合的质量和/或可以测量该模型的整体性能。
图9示出根据本发明的一实施例的一编码器及一解码器系统的示意图。
图9示出了来自一数据集的一样本测试用例,其中该模型可被解释为了解用户偏好。在一实施例中,用户ID 3250、前一个目的地ID 1321及当前出发点ID 6的一测试输入元组可被用作到PPA解码器的输入。该PPA解码器可以对来自该用户的历史OD序列的经编码的OD隐藏状态应用个性化偏好注意力。在一实施例中,在该编码器中,对应的出发点及目的地ID序列、以及为每一个隐藏状态所计算的注意力权重(为清楚起见以百分比表示)可由该PPA解码器完成。在一实施例中,所计算的权重的一显著差异可被用来最佳地执行预测任务并且可以支持可解释性。例如,从1671到1331的转移具有最高的权重,而出发点ID 79具有最低的权重。在该实例中,伴随基准真值的目的地ID 1671,该STOD-PPA方法能够正确地预测该目的地ID 1671具有最高的概率分数0.93。
虽然已经参考了特定的实施例具体地展示及描述了本发明,但本领域技术人员应当理解的是,在不脱离如由所附权利要求所限定的本发明精神及范围的情况下,可以在其中进行形式及细节上的各种改变。因此,本发明的范围系由所附权利要求来指出,并因此旨在包括落入权利要求等价物之含义及范围内所有的变化。
Claims (20)
1.一种用于预测目的地位置的系统,包括:
一个或多个处理器,及
一存储器,具有存储于其中的指令,所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器使用至少一个循环神经网络来:
处理空间数据,所述空间数据包括关于出发点位置和目的地位置的第一信息集合;
处理时间数据,所述时间数据包括关于在所述出发点位置的时间和在所述目的地位置的时间的第二信息集合;
基于所述空间数据及所述时间数据确定隐藏状态数据,其中,所述隐藏状态数据包括关于出发点-目的地关系的数据;
接收来自用户的当前输入数据,其中,所述当前输入数据包括所述用户的身份标识及所述用户当前的出发点位置;以及
基于所述隐藏状态数据和所述当前输入数据来预测所述目的地位置。
2.根据权利要求1所述的系统,其中,所述当前输入数据还包括所述用户的前一个目的地。
3.根据权利要求1至2中任一项所述的系统,其中,所述第一信息集合包括局部出发点位置和局部目的地位置,其中,所述第二信息集合包括在所述局部出发点位置的时间和在所述局部目的地位置的时间,并且其中,所述局部出发点位置和所述局部目的地位置在一地理哈希内。
4.根据权利要求3所述的系统,其中,所述第一信息集合包括全局出发点位置及全局目的地位置,其中,所述第二信息集合包括在所述全局出发点位置的时间和在所述全局目的地位置的时间,并且其中,所述全局出发点位置和所述全局目的地位置在所述地理哈希之外。
5.根据权利要求1至4中任一项所述的系统,还包括:
一编码器,所述编码器被配置为处理所述空间数据及所述时间数据,以及被配置为确定所述隐藏状态数据。
6.根据权利要求5所述的系统,还包括:
一解码器,所述解码器被配置为从所述用户接收所述当前输入数据、从所述编码器接收所述隐藏状态数据、以及基于所述隐藏状态数据和所述当前输入数据来预测所述目的地位置。
7.根据权利要求6所述的系统,其中,所述解码器被配置为基于所述隐藏状态数据、所述当前输入数据以及一第一预定权重来确定所述用户的个性化偏好数据。
8.根据权利要求7所述的系统,其中,所述解码器被配置为基于所述个性化偏好数据和具有一第二预定权重的所述隐藏状态数据来预测所述目的地位置。
9.根据权利要求6至8中任一项所述的系统,其中,所述解码器被配置为确定所预测的所述目的地位置是正确的目的地位置的概率。
10.一种用于预测目的地位置的方法,包括:
使用至少一个循环神经网络来:
处理空间数据,所述空间数据包括关于出发点位置和目的地位置的信息;
处理时间数据,所述时间数据包括关于在所述出发点位置的时间和在所述目的地位置的时间的信息;
基于所述空间数据和所述时间数据来确定出发点-目的地关系;
接收来自用户的当前输入数据,其中,所述当前输入数据包括所述用户的身份标识和所述用户当前的出发点位置;以及
基于所述出发点-目的地关系和所述当前输入数据来预测所述目的地位置。
11.根据权利要求10所述的方法,其中,所述当前输入数据还包括所述用户的前一个目的地。
12.根据权利要求10至11中任一项所述的方法,其中,第一信息集合包括局部出发点位置和局部目的地位置,其中,第二信息集合包括在所述局部出发点位置的时间和在所述局部目的地位置的时间,并且其中,所述局部出发点位置和所述局部目的地位置在一地理哈希内。
13.根据权利要求12所述的方法,其中,所述第一信息集合包括全局出发点位置和全局目的地位置,其中,所述第二信息集合包括在所述全局出发点位置的时间和在所述全局目的地位置的时间,并且其中,所述全局出发点位置和所述全局目的地位置在所述地理哈希之外。
14.根据权利要求10至13中任一项所述的方法,还包括:
使用一编码器来:
处理所述空间数据和所述时间数据;以及
确定隐藏状态数据。
15.根据权利要求14所述的方法,还包括:
使用一解码器来:
从所述用户接收所述当前输入数据;
从所述编码器接收所述隐藏状态数据;以及
基于所述隐藏状态数据和所述当前输入数据来预测所述目的地位置。
16.根据权利要求15所述的方法,还包括:
使用所述解码器基于所述隐藏状态数据、所述当前输入数据以及一第一预定权重来确定所述用户的个性化偏好数据。
17.根据权利要求16所述的方法,还包括:
使用所述解码器基于所述个性化偏好数据和具有一第二预定权重的所述隐藏状态数据来预测所述目的地位置。
18.根据权利要求15至17中任一项所述的方法,还包括:
使用所述解码器来确定所预测的所述目的地位置是正确的目的地位置的概率。
19.一种非暂时性计算机可读介质,存储有计算机可执行代码,所述计算机可执行代码包括用于根据权利要求1至18中任一项所述的预测目的地位置的指令。
20.一种计算机可执行代码,包括用于根据权利要求1至19中任一项所述的预测目的地位置的指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202102123Q | 2021-03-02 | ||
SG10202102123Q | 2021-03-02 | ||
PCT/SG2022/050065 WO2022186769A1 (en) | 2021-03-02 | 2022-02-09 | System and method for predicting destination location |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116806345A true CN116806345A (zh) | 2023-09-26 |
Family
ID=83155642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280008028.2A Pending CN116806345A (zh) | 2021-03-02 | 2022-02-09 | 用于预测目的地位置的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240044663A1 (zh) |
CN (1) | CN116806345A (zh) |
TW (1) | TW202236204A (zh) |
WO (1) | WO2022186769A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016212530A1 (en) * | 2015-01-27 | 2017-08-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
JP2018528535A (ja) * | 2015-08-20 | 2018-09-27 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 過去の注文に基づき現在の注文に関係がある情報を決定するためのシステムおよび方法 |
WO2019232776A1 (en) * | 2018-06-08 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for generating personalized destination recommendations |
CN109543886B (zh) * | 2018-11-06 | 2021-10-08 | 斑马网络技术有限公司 | 目的地的预测方法、装置、终端和存储介质 |
CN111242395B (zh) * | 2020-04-26 | 2020-07-31 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
-
2022
- 2022-02-09 CN CN202280008028.2A patent/CN116806345A/zh active Pending
- 2022-02-09 WO PCT/SG2022/050065 patent/WO2022186769A1/en active Application Filing
- 2022-02-09 US US18/256,649 patent/US20240044663A1/en active Pending
- 2022-02-18 TW TW111105973A patent/TW202236204A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022186769A1 (en) | 2022-09-09 |
US20240044663A1 (en) | 2024-02-08 |
TW202236204A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
US20210073283A1 (en) | Machine learning and prediction using graph communities | |
Lee et al. | A stochastic patent citation analysis approach to assessing future technological impacts | |
CN110476172A (zh) | 用于卷积神经网络的神经架构搜索 | |
CN109062962B (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
US20230030127A1 (en) | People flow prediction device, people flow prediction method, and people flow prediction program | |
WO2018207878A1 (ja) | 需要予測装置 | |
CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
US20240046785A1 (en) | System and method for predicting road traffic speed | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
WO2023277814A2 (en) | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application | |
US20170299424A1 (en) | Measuring and diagnosing noise in an urban environment | |
CN107909498B (zh) | 基于最大化接受者操作特征曲线下方面积的推荐方法 | |
CN117435819A (zh) | 时空动态感知的兴趣点推荐方法、系统和存储介质 | |
CN109271555A (zh) | 信息聚类方法、系统、服务器及计算机可读存储介质 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN111444933B (zh) | 一种对象分类方法及装置 | |
CN116806345A (zh) | 用于预测目的地位置的系统和方法 | |
Davami et al. | Improving the performance of mobile phone crowdsourcing applications | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
CN117010537A (zh) | 目标区域预测方法、装置、计算机设备和存储介质 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN113192315B (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
Attanasi et al. | A Scalable Approach for Short-Term Predictions of Link Traffic Flow by Online Association of Clustering Profiles | |
CN115345257B (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
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 |