CN117561517A - 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 - Google Patents

用于在路线规划应用中预测交通状况的计算机实现的设备和方法 Download PDF

Info

Publication number
CN117561517A
CN117561517A CN202280044994.XA CN202280044994A CN117561517A CN 117561517 A CN117561517 A CN 117561517A CN 202280044994 A CN202280044994 A CN 202280044994A CN 117561517 A CN117561517 A CN 117561517A
Authority
CN
China
Prior art keywords
route
road
computer
representing
communication
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
CN202280044994.XA
Other languages
English (en)
Inventor
代成成
帕达恩·乔治·威尔逊
王冠峰
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.)
Grabtaxi Holdings Pte Ltd
Original Assignee
Grabtaxi Holdings Pte 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 Grabtaxi Holdings Pte Ltd filed Critical Grabtaxi Holdings Pte Ltd
Publication of CN117561517A publication Critical patent/CN117561517A/zh
Pending legal-status Critical Current

Links

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"
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种计算机实现的设备及相关联的方法，用于预测关于从表示地理区域的道路网络内选择的指定路线的交通状况。该计算机实现的设备包括处理器和存储器并且被配置为在处理器的控制下执行存储在该存储器中的指令以：接收表示所述指定路线的输入数据，所述指定路线包括从表示地理区域的道路网络内选择的起始位置与目的地之间的一个或多个路段；获得表示所述指定路线的扩散图，所述扩散图包括由节点连接的边缘，其中与每个边缘相关联的权重包括表示相应路段上的交通扩散到另一个路段的可能性的相应转移概率；并且使用基于转换器的框架来预测该路线的每个路段的交通状况；其中，所述基于转换器的框架包括注意力模块和输入，该输入被配置为接收对于该路线的每个路段的一组输入维度，所述维度至少包括相应转移概率和时间数据，所述基于转换器的框架进一步包括注意力调整模块，注意力调整模块被配置为接收每组输入维度并且从中生成权重修改器，权重修改器用于基于一个路段上的交通状态影响另一个路段上的交通状态的可能性来修改由所述注意力模块生成的注意力权重。

Description

用于在路线规划应用中预测交通状况的计算机实现的设备和 方法
技术领域
本发明总体上涉及传输度量和数据的领域。本发明的一个方面涉及一种用于结合例如路线规划应用来预测关于指定路线的交通状况的计算机实现的设备。本发明的另一个方面涉及一种通信服务器设备，其包括用于预测关于指定路线的交通状况的计算机实现的设备。本发明的另一个方面涉及一种服务提供者通信装置，其包括路线选择API和用于预测关于由路线选择API指定的路线的交通状况的计算机实现的设备。本发明的另一个方面包括一种通信系统，该通信系统包括服务提供者通信装置、用户通信装置和通信服务器设备，这些设备都通过通信网络可通信地连接，该通信服务器设备包括用于预测关于指定路线的交通状况的计算机实现的设备。本发明的另一个方面涉及一种用于在例如路线规划应用中预测关于指定路线的交通状况的在计算机实现的设备中执行的方法。本发明的另一个方面涉及包括其指令的计算机程序产品。本发明的另一个方面涉及一种包括其指令的计算机程序。本发明的另一个方面涉及一种存储其指令的非暂时性存储介质。本发明的另一个方面涉及一种包括通信服务器设备的通信系统，该通信服务器设备包括路线规划应用和用于预测与其相关联的交通状况的模块。
本发明的一个方面在共享经济的按需运输或递送服务提供中具有特定的但不一定是唯一的应用。
背景技术
在用于实现和管理共享经济的按需运输和/或递送服务提供的通信系统中，客户通常将经由用户通信装置生成运输或递送服务的服务请求，指示需要服务的时间(和日期，如果适用的话)、接取点、目的地和需要被运输的人数(或递送物品的类型)(加上与确定满足服务请求所需的车辆类型相关的任何其他信息)。
服务请求被通信服务器设备接收，并然后经由服务提供者通信装置分配给可用的服务提供者。通信服务器通常可以包括路线规划API，该API从所分配的服务提供者通信装置接收指示所分配的服务提供者的当前位置的位置数据，以及来自服务请求的接取点和送达点位置，并且以已知的方式计算适当的路线(例如最短路线)。一旦知道了路线，就非常期望还知道沿着指定路线的可能的交通状况，使得例如可以计算行驶时间和/或适当的费用，可以计算估计的接取时间，并且可以估计送达时间(使得可以估计所分配的服务提供者何时可能再次可用来满足未来的服务请求)。当前，向按需服务(如运输和/或递送)分配资源通常基于驾驶员可用性和估计的到接取点并然后到送达点的行驶时间。这些信号使得在接收到服务请求时，能够基于正确地理区域内的可用的服务提供者，将可用的服务提供者分配给这些服务请求。例如，当接收到服务请求时，一些系统可以简单地分配最近的可用服务提供者。然后，所分配的服务提供者被标记为“繁忙”(并因此，其不可用于分配给任何其他服务请求)，直到其完成了当前服务。如果或当服务提供者被认为是离与之相关联的接取点最近的可用服务提供者时，则该服务提供者可能被分配给另一个服务请求。当然，这可能并且确实会导致服务提供者的空闲时间，这表示了对可用资源的低效使用。此外，特别是在接收大量服务请求的繁忙时段期间，由于服务提供者直到他们的最后工作完成后才能被分配给服务请求，因此相对于未满足的服务请求的数量，可用的服务提供者可能严重短缺，从而导致延误。这种极端的供需不平衡可能很快导致饱和点，其中与可用服务提供者相关的服务请求积压意味着在可接受的时间范围内无法服务更多的服务请求。当然，供需分布中的此类不匹配不限于运输/递送(或其他按需的共享经济)服务，而是同样适用于其他共享经济服务，诸如云计算和点对点电力交易。
已经尝试通过在服务提供者仍然在“繁忙”地履行最后一个服务请求的同时，将未来的服务请求分配给服务提供者来解决此供需不平衡。然而，为了以任何程度的准确性做到这一点，关键是(至少)可以准确地估计最后一个服务请求的送达时间。为了确保客户满意，还非常期望能够准确地估计下一次服务请求的接取时间以及行驶时间(以便可以估计适当的费用)。这进而需要准确地预测沿着指定路线的交通状况。
交通预测正在成为智能交通系统的核心组成部分。然而，由于交通流的高度非线性和动态时空依赖性，实时交通预测仍然是一种技术挑战。近年来，随着负担得起的交通传感器技术的广泛部署，已经开发了例如基于历史交通状况来预测未来交通状况的系统。然而，总体来说，由于固定假设的使用，此类系统的准确性往往是有限的，这些固定假设不能充分考虑交通流的高度动态性质，也不能捕捉交通流中的时空状况。
Mingxing Xu等人的“用于交通流预测的时空变换网络(Spatial TemporalTransformer Networks for Traffic Flow Forecasting)”(2020年1月)描述了一种用于模拟和预测长期交通流的理论方法，该方法试图捕捉这些时空相关性以提高道路网络交通状况预测的准确性，并且旨在根据历史交通传感器数据为整个道路网络提供快速、可缩放的训练和准确的长期交通预测。除其他之外，该方法还利用转换器框架来实现序列数据处理。所描述的转换器框架构建在所谓的注意力机制上，以对序列数据建模，这使得模型在训练和推理两者上都更快。这对于实时应用尤其重要。然而，现有技术中提出的基于转换器的方法不能准确地预测沿着所选择路线的交通状况。当然，尽管可以“裁剪”道路网络模型以突出某条路线并且从该模型确定与该路线相关的交通状况，但是这些交通状况不能被充分分割或精确到提供除了在整个道路网络模型中为该路线生成的预期(长期)交通状况模式的一般“快照”之外的任何东西。这是因为如上面所描述的，存在与针对服务请求生成的所选择路线相关联的基于上下文的变量，而这些变量根本无法被考虑在内。
例如，在速度和处理开销方面，与使用卷积神经网络(CNN)或递归神经网络(RNN)的解决方案相比，基于转换器的框架在解决许多不同领域中的预测问题方面具有关键优势，因为它们仅构建在注意力机制上，这使得得到的模型在训练和推理两个方面都更快。然而，已知的基于转换器的架构不能轻松地应用于基于上下文的交通状态分类的问题，因为它们是为源序列和目标序列之间的顺序依赖性而设计的，并且不能自然地或例行地修改以纳入上下文相关的变量，诸如实时速度、车辆类型、交通在路段之间(实时)扩散的方式以及一日中某时和星期几。在上面引用的现有技术中，提出了在基于转换器的框架中使用多个模型和/或多个注意力头来解决时空依赖性的问题，以便考虑一些时空变量。然而，这需要显著的额外的计算开销层，这使得它不适合于基于快速移动的实时路线的交通状况预测系统，而在共享经济的按需运输和/或递送服务提供中可能需要这种系统进行资源分配。
在实时、快速移动的应用(诸如共享经济的按需运输和/或递送服务)中，非常准确地实时预测沿着路线的交通状况对于资源分配是至关重要的，现有技术中提出的基于转换器的框架在这方面表现不佳，而使用诸如CNN或RNN的解决方案可能更准确，但是额外的计算开销和由此产生的延迟使得这些解决方案不适合于如上面所描述的实时快速移动的应用。仍然需要提供一种基于路线的交通状态预测方法和系统，其提供关于预先指定的路线的一致、准确和实时的基于上下文的交通状态预测，并且本发明的方面寻求解决这些问题中的一个或多个。
发明内容
本发明的各方面如独立权利要求中所阐述。在从属权利要求中阐述了一些可选特征。
第一个示例性布置提供了一种用于预测关于道路网络内的指定路线的交通状况的计算机实现的设备，该设备包括处理器和存储器，并且该设备被配置为在处理器的控制下执行存储在存储器中的指令以：
接收表示所述指定路线的输入数据，该指定路线包括从表示地理区域的道路网络中选择的起始位置与目的地之间的一个或多个路段；
获得表示所述指定路线的扩散图，所述扩散图包括由节点连接的边缘，其中，与每个边缘相关联的权重包括表示相应路段上的交通扩散到另一个路段的可能性的相应转移概率；以及
使用基于转换器的框架来预测路线的每个路段的交通状况；
其中，所述基于转换器的框架包括注意力模块和输入，所述输入被配置为接收对于路线的每个路段的一组输入维度，所述维度至少包括相应的转移概率和时间数据，所述基于转换器的框架还包括注意力调整模块，该注意力调整模块被配置为接收每组输入维度并且从中生成权重修改器，该权重修改器用于基于一个路段上的交通状态影响另一个路段上的交通状态的可能性来修改由所述注意力模块生成的注意力权重。
扩散图的节点可以表示路段(其可以对应于从中获得扩散图的道路网络图中的边缘)。对于给定路段，输入到网络的对应转移概率可以包括(或基于)与扩散图中的路段相关联的转移概率，其可选地对应于从给定路段到下一路段或从前一路段到给定路段的转移概率。
每组所述输入维度可以包括以星期几和/或由相应数值表示的时间段(例如一日中某时)的形式的时间数据。可替代地或另外地，每组所述输入维度可以包括表示与沿着所述指定路线的行驶相关的道路类型和/或车辆类型的数字数据。可替代地或另外地，每组所述输入维度可以包括表示路段上的行驶速度(例如由道路网络图中的相应边缘或扩散图中的节点表示)和/或路段的长度(例如由道路网络图中的相应边缘或扩散图中的节点表示)的数据。
表示行驶速度的所述数据和/或表示路段的长度的所述数据可以在每组所述输入维度中被归一化。
该设备可以被配置为从路线选择API接收所述指定路线。
优选地，该设备进一步被配置为基于预测的交通状况计算关于所述指定路线的行驶时间。该设备可以被配置为在显示器上输出与所述指定路线相关的预测的交通状况。
在实施方式中，该设备被配置为获得表示所述指定路线的基于边缘的图，其中每个顶点(节点)表示道路网络中的一个段，并且如果可以从一个相应的路段到达另一个相应的路段，则该顶点(节点)连接到相邻的顶点(节点)，并且使用基于边缘的图来确定扩散图。该设备可以被配置为基于边缘基图中的对应权重来确定扩散图中的对应转移概率。
该设备可以被配置为生成用于基于路段之间的距离修改注意力权重的权重修改器。
另一个示例性布置提供了一种通信设备，用于将资源分配给与共享经济的按需出行和/或运输服务提供相关的服务请求，该通信设备包括处理器、存储器和如以上第一个示例性布置中所述的用于预测交通状况的计算机实现的设备，并且该通信设备被配置为在处理器的控制下：
接收服务请求；
识别在所述服务请求中指定的起始位置与目的地；
获得推荐路线，该推荐路线包括从表示地理区域的道路网络中选择的所述起始位置与所述目的地之间的一个或多个路段；
识别用于满足所述服务请求的服务提供者；以及
将所述推荐路线和可选地表示所述服务提供者的数据输入到所述用于预测交通状况的设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
该设备可以被配置为在用户显示器上输出与所述推荐路线相关联的所述预测的交通状况数据。
优选地，该设备进一步被配置为使用预测的交通状况数据来预测所述服务提供者在所述目的地的到达时间，并且可选地基于在先前服务请求的所述目的地的所预测的所述到达时间而将另一个服务请求分配给所述服务提供者。
该设备可以包括数据存储，该数据存储中存储了所述道路网络的基于边缘的图形数据，并且其中，所述用于预测交通状况的设备进一步被配置为从所述数据存储选择性地检索表示推荐路线的所述基于边缘的图形数据。该数据存储可以是包括多个存储位置的分布式数据存储，每个存储位置存储所述道路网络的不同相应部分的基于边缘的图形数据。
另一个示例性布置提供了一种通信系统，用于将资源分配给与共享经济的按需运输和/或递送服务提供相关的服务请求，该通信系统包括至少一个用户通信装置和通信网络装备，该通信网络装备可操作用于通信服务器设备和至少一个用户通信装置通过其建立彼此通信；以及至少一个服务提供者通信装置和通信网络装备，该通信网络装备可操作用于通信服务器设备和至少一个服务提供者通信装置以通过其彼此建立通信，通信服务器设备包括处理器、存储器和如上面第一个示例性布置中阐述的计算机实现的设备，并且通信服务器设备被配置为在处理器的控制下执行存储在存储器中的指令以：
接收来自用户通信装置的服务请求；
将该服务请求中指定的起始位置与目的地输入到路线选择API以获得推荐路线，该推荐路线包括从表示地理区域的道路网络中选择的所述起始位置和该目的地之间的一个或多个路段；
识别用于满足所述服务请求的服务提供者；以及
将所述推荐路线和可选地表示所述服务提供者的数据输入到所述用于预测交通状况的设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
另一个示例性布置提供了一种服务提供者通信装置，用于经由通信网络从通信服务器设备接收表示分配给服务提供者的服务请求的数据，该服务提供者通信装置包括路线选择API和如以上第一个示例性布置中所述的计算机实现的设备、处理器和存储器，并且服务提供者通信装置被配置为在处理器的控制下执行存储在存储器中的指令以：
接收表示包括起始位置和目的地的服务请求的数据；
将在所述服务请求中指定的所述起始位置与目的地输入到所述路线选择API以获得推荐路线，该推荐路线包括从表示地理区域的道路网络内选择的所述起始位置与所述目的地之间的一个或多个路段；以及
将所述推荐路线和可选地表示所述服务提供者的数据输入到所述用于预测交通状况的设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
另一个示例性布置提供了一种预测关于道路网络内的指定路线的交通状况的计算机实现的方法，其包括以下步骤：
接收表示所述指定路线的输入数据，该指定路线包括从表示地理区域的道路网络中选择的起始位置与目的地之间的一个或多个路段；
获得表示所述指定路线的扩散图，所述扩散图包括由节点连接的边缘，其中与每个边缘相关联的权重包括表示相应路段上的交通扩散到另一个路段的可能性的相应转移概率；以及
使用基于转换器的框架来预测路线的每个路段的交通状况；
其中，所述基于转换器的框架包括注意力模块和输入，所述输入被配置为接收对于路线的每个路段的一组输入维度，所述维度至少包括相应转移概率和时间数据，所述基于转换器的框架还包括注意力调整模块，该注意力调整模块被配置为接收每组输入维度并且从中生成权重修改器，该权重修改器用于基于一个路段上的交通状态影响另一个路段上的交通状态的可能性来修改由所述注意力模块生成的注意力权重。
本发明还提供了一种包括或存储用于实现上述方法的指令的计算机程序、计算机程序产品或非暂时性存储介质。
本文公开的技术的实现方式可以具有显著的技术优势。在诸如共享经济的按需运输和/或递送系统的系统中，一旦接收到服务请求并且分配了服务提供者，就可以使用本领域中已知类型的路线选择API来自动确定路线(例如，从服务提供者位置→接取点→目的地的最短路线)。基于转换器的预测模块模拟指定路线(与道路网络的其余部分隔离)，并且根据空间和时间状况以及基于上下文的变量，预测沿着指定路线的交通状况。此处提出的独特的基于转换器的解决方案针对指定路线(而不仅是更广泛、更通用的模型的一部分)实时提供准确的交通状况模拟、预测和报告，同时除了操作常规映射和导航API所需的存储器或处理开销之外，还需要最少的额外的存储器或处理开销。因此，它可以与运行在通信服务器设备上的此类API集成，而没有不适当的数据处理或存储挑战。
利用基于转换器的框架以这种方式进行基于上下文的推理的技术挑战对于本领域技术人员来说是显而易见的，因为直到现在，基于转换器的预测被广泛理解为受限于源序列与目标序列之间的顺序依赖性。因此，在建模和推理领域，如果需要考虑基于上下文的(可变)参数，技术人员通常不会考虑使用基于转换器的解决方案，或者如果他们考虑，他们也不会预期需要结合多个不同的注意力和/或不同的模型来考虑所有不同的基于上下文的变量。这反过来会对处理/存储开销产生负面影响，并且不可避免地增加延迟，因此这种类型的解决方案通常可能会被认为不适合快速移动的实时应用，诸如共享经济的按需运输和/或递送服务，在快速移动的实时应用中需要实时递送最新的、一致的和高度准确的基于路线的交通状况预测以确保资源的高效分配和准确的定时和定价计算。
附图说明
现在将仅通过示例，并且参考附图来描述本发明，其中：
图1是图示示例性通信系统的示意性框图，该通信系统包括用于向与共享经济的按需服务相关的服务请求分配资源的通信服务器设备；
图2是图示了将基于边缘的图转换成扩散图的示意图，该扩散图在示例性通信服务器设备中使用，用于将资源分配给与共享经济的按需运输和/或递送服务相关的服务请求；
图3是图示转换器模型架构的示意性框图；图3A是图示基于转换器的预测框架的多头注意力函数的示意图；
图4是图示基于用于预测通信服务器设备中的交通状态以将资源分配给与共享经济的按需运输和/或递送服务相关的服务请求的转换器的框架的示意性框图；
图5是图示图4的基于转换器的框架的注意力头的示意性框图；
图6是图示用于将资源分配给与共享经济的按需运输和/或递送服务相关的服务请求的通信服务器的路线选择API和流量状态预测模型的示意性框图；
图7是图示示例性通信系统的示意性框图，该通信系统包括用于向与共享经济的按需运输和/或递送服务相关的服务请求分配资源的通信服务器设备；以及
图8是图示在通信服务器中预测沿着指定路线的交通状况的方法的示意性流程图，该方法用于将资源分配给与共享经济的按需运输和/或递送服务相关的服务请求。
具体实施方式
本文所描述的技术主要是参考在共享经济的按需运输和/或递送服务中的使用来描述的，但是应理解的是，这些技术可以具有更广的范围并且覆盖需要高度精确的基于路线的交通状态预测的其他类型的运输服务。
首先参考图1，图示了通信系统100。通信系统100包括通信服务器设备102、用户通信装置104和服务提供者通信装置106。这些装置通过实现例如互联网通信协议的相应通信链路110、112、114连接在通信网络108(例如互联网)中。通信装置104、106可以通过包括移动蜂窝通信网络的其他通信网络(诸如公共交换电话网络(PSTN网络))进行通信，但是为了清楚起见，这些在图1中被省略。
通信服务器设备102可以是如图1中示意性所示的单个服务器，或具有由分布在多个服务器部件上的服务器设备102执行的功能。在图1的示例中，通信服务器设备102可以包括多个单独的部件，其包括但不限于一个或多个微处理器116、用于加载可执行指令120的存储器118(例如易失性存储器，诸如RAM)，可执行指令定义了服务器设备102在处理器116的控制下执行的功能。通信服务器设备102还包括允许服务器通过通信网络108进行通信的输入/输出模块122。用户界面124被提供用于用户控制并且可以包括例如计算外围装置，诸如显示监视器、计算机键盘等。通信服务器设备102还包括数据库126，该数据库的目的将从下面的讨论中变得显而易见。在此实施方式中，数据库126是通信服务器设备102的一部分，然而，应理解的是，数据库126可以与通信服务器设备102分离并且数据库126可以经由通信网络108或经由另一个通信链路(未示出)连接到通信服务器设备102。通信服务器设备还可以包括交通状态预测模块127，这将在下面更详细地描述。在其他实施方式中，交通状态预测模块可以被结合到下面描述的服务提供者通信装置106中，并且本发明不旨在于此方面受到限制。
用户通信装置104可以包括多个单独的部件，该多个单独的部件包括但不限于一个或多个微处理器128、用于加载可执行指令132的存储器130(例如易失性存储器，诸如RAM)，可执行指令定义了用户通信装置104在处理器128的控制下执行的功能。用户通信装置104还包括允许用户通信装置104通过通信网络108进行通信的输入/输出模块134。用户界面136被提供用于用户控制。如果用户通信装置104是例如智能电话或平板装置，则用户界面136将具有如在许多智能电话和其他手持装置中普遍存在的触摸面板显示器。可替代地，如果用户通信装置是例如台式或膝上型计算机，则用户界面可以具有例如计算外围装置，诸如显示监视器、计算机键盘等。
服务提供者通信装置106可以是例如具有与用户通信装置104的硬件架构相同或类似的硬件架构的智能电话或平板装置。服务提供者通信装置106可以包括多个单独的部件，其包括但不限于一个或多个微处理器138、用于加载可执行指令142的存储器140(例如易失性存储器，诸如RAM)，可执行指令定义了服务提供者通信装置106在处理器138的控制下执行的功能。服务提供者通信装置106还包括允许服务提供者通信装置106通过通信网络108进行通信的输入/输出模块(其可以是或包括发射器模块/接收器模块)144。用户界面146被提供用于用户控制。如果服务提供者通信装置106是例如智能电话或平板装置，则用户界面146将具有如在许多智能电话和其他手持装置中普遍存在的触摸面板显示器。可替代地，如果用户通信装置是台式或膝上型计算机，则用户界面可以具有例如计算外围装置，诸如显示监视器、计算机键盘等。服务提供者通信装置106可以进一步包括路线选择API模块147，其用于接收表示接取点、接取时间、目的地和车辆类型的数据并且确定由服务提供者用来满足相应服务请求的(最短)路线。
在一个实施方式中，服务提供者通信装置106被配置为通过通信网络108定期向通信服务器设备102推送表示服务提供者的数据(例如服务提供者身份、位置等)。在另一个实施方式中，通信服务器设备102向服务提供者通信装置106轮询信息。在任一情况下，来自服务提供者通信装置106的数据(本文中也称为“可用数据”或“供应数据”)被传送到通信服务器设备102。
在一个实施方式中，用户通信装置104被配置为通过通信网络108定期向通信服务器设备102推送表示用户的数据(例如，商家身份、位置、食品准备时间或所需的接取时间、客户详情等)。在另一个实施方式中，通信服务器设备102向服务提供者通信装置104轮询信息。在任一情况下，来自用户通信装置104的数据(本文中也称为“服务请求”)被传送到通信服务器设备102。
在使用中，用户可以经由用户通信装置104生成服务请求，该服务请求包括表示(至少)接取点、目的地、接取所需的时间、以及要从接取点接取并递送到目的地的人的数量和类型或者物品的类型和尺寸的数据。后一种特征决定了满足服务请求所需的车辆类型。例如，如果许多人需要出租车，那么所需的车辆类型将是机动车辆，其在本文可以表示为“4W”(意思是“四轮车辆”)。在其他服务请求中，可能需要从食品商家处接取食品并将其递送到客户地址。在这种情况下，车辆类型可以再次是“4W”，或者服务请求可以例如由自行车来满足，自行车在本文可以表示为“2W”。在实施方式中，服务请求可以经由通信服务器设备102被分配给可用的服务提供者，并且服务请求的详细信息被推送到服务提供者通信装置106。因此，服务请求数据被服务提供者通信装置106获得，并且接取时间、接取位置以及目的地可以被馈送给常规的路线选择API，使得可以计算和定义适当的路线(通常是最短的路线，尽管此系统决不旨在在这方面受到限制)。然后，此路线被馈送到交通状态预测模块，该交通状态预测模块可以由通信服务器设备托管，或可以本地地托管在服务提供者通信装置上。无论哪种方式，交通状态预测模块被配置为(仅)针对所选择的路线确定交通状态状况并且将结果返回给服务提供者，这将在下文中更详细地描述。还可以向通信服务器设备报告交通状况数据，使得可以准确地估计满足服务请求所需的时间，从而估计服务提供者将再次可用于满足服务请求的时间。通信服务器设备102可以在规划和分配模块中使用此数据，以将服务请求分配给可用的服务提供者，其中，通过估计服务提供者下一次何时可用并且无需等待服务提供者完成先前的服务请求，就可以将未来的服务请求分配给“忙碌”的服务提供者。由于精确地确定了服务提供者为特定服务请求所使用的精确(已知)路线的交通状况，所以不仅可以减少服务提供者的“空闲”时间(如上面所描述的)，从而显著更高效地使用可用资源，而且还可以基于服务提供者将到达前一服务请求的目的地的时间，将未来的服务请求与可用的服务提供者进行匹配。这意味着，基于下面描述的交通状态预测模块的准确输出，服务提供者例如可以被分配给下一个服务请求，该服务请求的接取位置靠近前一个服务请求的目的地，并且该服务请求的接取时间在完成前一个服务请求的估计时间之后非常地短。在繁忙时段，当接收到大量服务请求时，当服务提供者直到他们的最后工作完成才能够被分配给服务请求时，相对于未满足的服务请求的数量，可能存在可用的服务提供者的严重短缺，从而导致延误。这种极端的供需不平衡可能迅速导致饱和点，其中与可用服务提供者相关的服务请求的积压意味着在可接受的时间范围内无法服务更多的服务请求。当然，此类供需分布的不匹配不限于运输/递送(或其他按需的共享经济)服务，而是同样适用于其他共享经济服务，诸如云计算和点对点电力交易。本文公开的技术的实现试图通过利用精确的交通状态预测模块来解决这些问题中的至少一些，该模块采用服务提供者针对服务请求预期将采取的选择的路线，确定沿着该路线的每个路段的交通状态状况，并且a)向服务提供者显示这些交通状况，以及b)利用交通状况数据来准确地确定服务提供者将到达他们的目的地的时间，使得可以将接取时间靠近前一个服务请求的估计送达时间和/或接取位置靠近前一个服务请求的目的地的下一个服务请求分配给该服务提供者(当他们仍然“忙碌”时)。因此，共享经济的按需服务的供需状况的潜在不匹配可以得到缓解。
因此，在用于实现和管理共享经济的按需运输服务提供的通信系统中，客户通常将经由用户通信装置104生成对运输和/或递送系统的服务请求，该服务请求指示需要服务的时间(和日期)、接取点、目的地、以及需要被运输的人数(或物品类型)(加上与确定满足服务请求所需的车辆类型相关的任何其他信息)。
服务请求由通信服务器设备102接收，并然后经由服务提供者通信装置106分配给适当的服务提供者。在实施方式中，通信服务器设备102包括路线规划API，该路线规划API从服务提供者通信装置106接收指示所分配的服务提供者的当前位置(或他们的最后目的地)的位置数据，以及来自服务请求的接取点和目的地，并且以已知方式计算适当的路线(例如最短路线)。一旦知道了路线(该路线是从服务提供者当前目的地到接取点，再到当前服务请求的目的地)，就非常期望还知道沿着指定路线的可能的交通状况，使得例如可以计算行驶时间和/或适当的费用，可以计算估计的接取时间，并且可以估计所估计的送达时间(使得可以确定所分配的服务提供者何时可能再次可用来满足未来的服务请求)。为此目的，提供了上述交通状态预测模块127，并且现在将更详细地描述该交通状态预测模块。
为了使用基于转换器的框架来解决上述问题，将空间(网络信息)和时间(顺序信息)依赖性考虑在内，并且对沿着路线的段之间的交通状况的影响进行建模以准确预测交通状况可以是有用的。特别地，并且如上面所描述的，对于空间依赖性，此实施方式计算交通扩散图(图2)以描述交通如何在路段上扩散，并然后将时间信息编码到网络输入维度中以训练转换器网络。对于路线内依赖性，自注意力层的注意力分数根据沿着路线的段之间的相似性进行更新，并且该相似性用于描述一个边缘上的当前交通状态将在每个后续边缘上继续的可能性。为了实现这一点，可以假设路线包含N个压缩边缘(段)，并且对于每个压缩边缘，提供M个维度来描述每个相应压缩边缘的交通状态。实际上，这些“维度”可以包括实时速度、段长度、车辆类型、道路类型、转移概率、一日中某时、星期几。然而，根据可用的数据，其他实施方式可以包括另外的或可替代的维度。转换器网络的输入是M*N的矩阵。由于N可以根据指定的路线而变化(即，每个指定的路线可以具有不同数量的N个定义的段)，因此可以使用常用的填充或池化来确保每个路线对转换器网络产生相同的输入维度。
从上面引用的现有技术中已知，例如，将道路网络表示为基于节点的图，其中每个节点表示一个交通传感器(或其他合适的(物理)数据点，诸如十字路口、交叉路口、环形交叉路口、岔路口等)，并且边缘(连同它们相应的权重)由传感器之间的连接性以及欧几里德距离来确定。诸如OSRM的API是可用的，其使得这种类型的基于节点的图(表示感兴趣的整个道路网络)能够被转换成基于边缘的图，在基于边缘的图中每个顶点对应于表示道路网络中的一个段的边缘，并且如果可以从一个相应的路段到达另一个相应的路段，则该边缘经由节点连接到相邻的边缘(或顶点)。
当交通状态预测模块127从路线选择API接收到表示指定路线的数据时，可以从存储的整个道路网络的此类表示中提取并检索表示该数据的基于边缘的图。
在第一步中，交通状态预测模块将基于边缘的图转换成扩散图。在扩散图中，每个节点的权重表示在道路网络的关联边缘上的交通量，并且连接两个节点的每个边缘的权重表示转移概率，即交通量将从一个节点(路段)移动到另一个节点(路段)的概率。该转移概率本质上指示了交通将如何在道路网络的边缘之间扩散。例如，参考附图中的图2，考虑具有l1、l2、l3和l4这四个边缘的简单的基于边缘的图。每个边缘到边缘转移的转移概率基于以上面所描述的方式提取的基于边缘的图中所分配的权重。每个转移概率可以计算如下：
P(I1→I2)＝#(权重)(I1→I2)
#(I1→I2)+#(I1→I3)
＝3
3+2
＝3/5＝0.6
换句话说，边缘l1上的交通量移动到边缘l2的概率基于边缘权重#(l1-l2)，但也考虑边缘权重#(l1-l3)，因为l1上的交通量可能移动到l2或l3。
类似地，P(I1→I3)＝#(I1→I3)
#(I1→I3)+#(I1→I2)
＝2
2+3＝2/5＝0.4
可以对每个边缘重复这一过程，以生成图2下部所示的扩散图，其中，边缘的“权重”现在是考虑了来自道路网络的每个边缘的交通扩散可能性的转移概率。实际上，这可以在训练阶段期间针对完整的道路网络来执行，并且由此生成的扩散图(针对特定地理区域的整个道路网络)可以被保存，可能以分布式方式保存(例如，被分成更小的区域，并且每个区域例如被单独存储在通信服务器设备102的存储器130中或云中)。这避免了由单个大文件的存储导致的任何潜在的存储器问题以及当需要提取单个指定路线时的延迟问题：如果指定了较小的区域，则仅需要访问该区域的扩散图，并且将该扩散图用于提取(隔离)用于预测交通状态/状况的指定路线。
所提取路线的每个边缘(即，段)的转移概率可以被用作如上所述的基于转换器的预测框架的输入的维度，从而将基于上下文的交通状况数据贡献给顺序输入数据。在实施方式中，对于路线的每个段，从扩散图获得转移概率，其对应于由扩散图指定的路线中从该路段到下一个路段的转移概率(例如，对于对应于图2的扩散图中的边缘l2的路段，从l2到l4的转移概率可以用作转换器网络的输入维度)。对于最终路段，可以使用默认值(例如0、0.5或1)。可替代地，从先前路段到当前路段的转移概率可以用作对于该路段的网络输入维度(例如，边缘l2的转移概率l1->l2)，在这种情况下，可以为第一路段指定默认值。应注意的是，只要在训练和预测中应用一致，就可以采用任一种方法。
另一个基于上下文的变量涉及指定路线上交通状况的时间依赖性。例如，一些道路在工作日的高峰时间可能异常繁忙，但在周末就不那么繁忙。因此，预测框架不仅考虑了一日中某时，还考虑了星期几。这通过在输入中使用两个维度来实现，一个维度表示一日中某时并且另一个维度表示星期几。关于一日中某时的维度，组成一天的24个小时可以被划分成48个“时隙”，每个“时隙”表示从午夜到午夜的30分钟时间段，并且每个时隙被从0到47顺序编号，使得从0到47中选择的数字可以在输入序列中用于表示一日中某时。因此，在示例中，午夜可以用“0”来表示，而凌晨2点20分可以用“5”表示。关于星期几，从0到6的数字表示从星期日到星期六中的星期几(按顺序)。因此，例如，“0”表示星期日，“3”表示星期三，等等。编码技术(诸如傅立叶级数展开)可以用在转换器位置编码中以这种方式编码日信息和周信息两者。
参考附图中的图3，示出了表示根据现有技术的基于转换器的架构的简化示意性框图。典型的转换器模型包括编码器500和解码器502。编码器500由N个相同层的堆叠组成并且每个层具有两个子层，即多头自注意力机制504和按位置完全连接的前馈网络506。在两个子层的每一个周围都存在残余连接，随后是层归一化(大体上在508处表示)。解码器502也由N个相同层的堆叠组成。除了每个编码器层中的两个子层504、506之外，解码器还包括第三子层510，该第三子层对编码器堆叠的输出执行多头注意力。类似于编码器，在子层中的每一个周围使用残差连接，随后是层归一化(508')。自注意力子层被修改以防止位置注意后续位置。这个掩蔽与输出嵌入512偏移一个位置的事实相结合，确保对位置i的预测可以仅依赖于小于i的位置处的已知输出。
注意力函数可以被描述为将查询(Q)和一组键值(KV)对映射到输出，其中查询、键值和输出都是向量。输出被计算为值的加权和，其中分配给每个值的权重是由查询与对应键的兼容性函数计算的。
注意力函数是在一组查询上同时计算的，这些查询被一起打包在矩阵(d模型＝N×M)中。键和值也一起打包到矩阵K和V中。输出矩阵被计算为：
其中，dk是键的维度。
不是用d模型-维的键、值以及查询来执行单个注意力函数，而是用h次不同学习的投影将查询(Q)、键(K)和值(V)分别线性投影到dq、dk和dv的维度。在查询、键和值的这些投影版本的每一个上并行执行注意力函数，产生dv-维的输出值。然后将这些输出值连接并且再次投影，得到最终值，如图3A中所示。多头注意力允许模型共同地注意来自不同位置处的不同表征子空间的信息。如上面所描述的，可以减小每个头的维度以最小化总计算成本。
因此，总而言之，在常规的转换器模型中，多头注意力层用于执行自注意力。本质上，它对记号序列x＝(x1，x2......xn)进行操作，记号序列中的每一个记号在经过线性变换之后，通过使用任何其他“单词”(即数据项的序列)的加权和进行更新。权重是注意力分数，根据它们之间的相似性来分配。参考附图中的图4，示出了用于预测与指定路线(输入)相关联的交通状态(输出)的基于转换器的框架的示意(简化)框图。在这种情况下，两个边缘之间的上述“相似性”包括它们的空间相似性和时间相似性，如下面更详细描述的。
如前所述，在常规的转换器网络中，注意力分数计算表示为：
这可以写为：
其中：
并且：
然而，这种类型的网络仅在源序列与目标序列之间存在顺序依赖性的情况下有效地工作。因此，为了考虑非顺序的、基于上下文的变量，诸如指定路线、车辆类型和转移概率(即，前一个边缘上的当前交通状态延续到(指定路线的)下一个边缘上的可能性的指示)，发明人已经设计了一种在基于转换器的网络中调整注意力分数的独特方法，即：
其中e′ij＝bijeij
因此，使用这种独特技术，通过使用值bij调整注意力分数，可以使用常规的转换器网络(及其在速度、准确性和计算效率方面的固有技术优势)来对具有非顺序依赖性的数据执行预测。
在基于转换器的网络中，可以使用结合在多头注意力机制中的注意力调整层702来计算bij，如图5中示意性示出的。该注意力调整层采取原始输入并且在训练期间，“学习”边缘li上的交通状态影响边缘lj上的交通状态的概率(即，有多大可能)。这允许网络通过考虑道路类型、段距离、转移概率、时间等来学习bij(注意力调整权重)。
可以根据边缘li和lj之间的距离预先计算参数dij：
其中α是衰减参数且α≥0。衰减率α是一个经验参数，例如可以通过在测试数据集上进行实验来获得，例如通过以例如0.2的步长来改变α。α越大，衰减率就越高。“dist”通过计算li和lj之间的距离来考虑道路长度(或路段长度)。很明显，dij是趋向于更靠近的边缘的权重。
例如，给定路线l1→l2→l3→l4，边缘l2上的交通状态比l4上的交通状态更可能影响l3上的交通状态，因为l2和l3之间的距离小于l2和l4之间的距离。
然后，可以计算dij的softmax以获得bij：
因此，bij用衰减因子来调整注意力分数αij，该衰减因子描述某个边缘上的当前交通状态受指定路线的先前(一个或多个)边缘上的交通状态影响的可能性。
使用可以表示为键值对的多个训练样本来训练这种类型的转换器模型。因此，在实施方式中，每个键是一组维度，其包括实时速度、段长度、车辆类型、道路类型、转移概率、一日中某时、以及星期几，并且每个值表示与这些维度相关联的交通状况。典型的系统将使用数百甚至数千个此类键值对进行训练，这些键值对是从例如交通传感器获得的大量交通数据中提取的。
在实施方式中，用于训练转换器的输入数据是从与商业叫车服务中的车辆相关联的驾驶员GPS位置和相关联的行程数据的数据集(以及例如由地理信息服务提供的公共映射数据)中导出的。然而，任何此类大型GPS数据集都可以代替使用并且数据可以从多个来源获得。例如，拥堵信息可以从路边交通传感器获得。
为了构建训练数据集，执行以下步骤：
·从GPS位置导出的每个单独的驾驶员轨迹首先被捕捉到路线图(使用标准映射匹配技术)。
·捕捉到的路线用于定义转换器网络旨在预测的拥塞的真实情况。通过使用驾驶员的路径，系统识别路段上的持续时间是否比预期的长(给定由公共映射数据源提供的默认速度)。这通过定义静态的延误类别(例如，<1×预期时间，在1×预期时间～1.5×预期时间之间，等)而被转换成一个类，如下面更详细描述的。
·这些路线还用于计算静态转移概率(这是在保留集上完成的)。
·然后，通过计算在推理时用于转换器网络的输入的所需特征，将这些路线转化为训练示例(例如，对于每个路段，通过从叫车服务行程记录/GPS数据中导出诸如速度、车辆类型、一日中某时和星期几的维度，如上所述获得转移概率，并且从映射数据中导出诸如段长度和道路类型的特征)。
利用常规的训练技术，例如基于反向传播和损失函数，该损失函数量化由网络为路线输出的预测的交通状况数据与来自训练样本的对应交通状况数据之间的差异(例如基于所有路段的误差平方和或一些其他评估方法)，使用所得到的训练样本来训练转换器网络。训练可以使用不同的训练和验证集迭代地进行，以便使用本领域技术人员已知的技术来调整超参数和/或防止过度拟合。
参考附图的图6、图7和图8，一旦经训练，交通状态预测模块600可以与常规的路线选择API 602集成。在用于预测沿着路线的交通状态的过程中，路线选择API 602(在步骤801)接收来自服务请求的数据，该数据(至少)包括起始点(即，所分配的服务提供者当前所处的位置，或者在当前服务请求要被满足时将处于的位置)、接取点和目的地。路线选择API602(在步骤802处)确定路线并且将路线601输入(在步骤803处)到交通状态预测模块600。交通状态预测模块600(在步骤804处)生成沿着路线的每个相应边缘的交通状态列表。如此生成的交通状态然后可以显示(步骤805)在用户界面上。在实施方式中，与路线的每个边缘(或段)相关联的交通状态可以进行颜色编码，例如，在路线选择API用户界面上显示的路线的那些段上使用颜色编码：绿色、琥珀色、红色、深红色，以例如说明“轻度”、“中度”、“重度”和“严重”的交通状况。
在示例中，考虑具有起始点A、接取点B和目的地C的路线。作为简单的演示，将路线A→B→C视为由两条压缩边缘l1和l2组成。因此，基于以下数据，将存在到交通状态预测模块600的两个顺序输入：
l1：速度：20m/s；路段长度：100米；车辆类型：4W；道路类型：主要；转移概率(按上述解释计算)：0.5；星期几：星期日；时间：午夜-00:29
l2：速度：18m/s；路段长度：150m；车辆类型：4W；道路类型：主要；转移概率：0.3；星期几：星期日；时间：午夜-00:29。
因此，输入数据为：
l1：20m/s；100m；4W；主要；0.5、0、0
l2：18m/s；150m；4W；主要；0.3，0，0
前两列已归一化，如下所示。第一列归一化为30m/s，并且第二列归一化为1000m。车辆类型分配有数字标签。在这种情况下，“1”表示4W。类似地，数字标签被分配给道路类型。在这种情况下，“2”表示主要道路。因此，应用至基于转换器的框架的多头注意力函数的顺序输入数据是：
0.67，0.1，1，1，0.5，0，0
0.6，0.15，1，2，0.3，0，0
多头注意力函数的输出包括两个相应的交通状态预测列表，每个边缘一个：
0.35，0.2，0.3，0.15
0.5，0.2，0.2，0.1
对本领域技术人员来说显而易见的是，来自多头注意力函数的上述输出最初是softmax的四个概率(对于每个边缘)。
然后，可以选择每组输出的最大值作为该边缘的预测的交通状态。
理想的行驶时间可以使用道路的自由流动速度(即(道路长度)/(自由流动速度))来计算。实际行驶时间为(道路长度)/(实时速度)。
使用这些值，可以通过比较理想行驶时间与实际行驶时间(本领域技术人员称为行驶时间指数)来确定延误度量。然后，可以分配预定的阈值(相对于由此计算的行驶时间指数)来表示上面提到的程度较高的交通状态(中度、重度和严重)。例如，“中度”可以定义为超过1.3，“重度”可以定义为超过1.6，“严重”可以定义为超过1.9。在上面的示例中，整条路线将以(比如说)绿色示出并且突出示出以表明预测的交通状态预计将是轻度的。如果预测的交通状态在1.3和1.6之间，则相应的路线的段可能会以琥珀色突出显示。如果预测的交通状态在1.6与1.9之间，则相应的路线的段可能会以红色突出显示。最后，如果预测的交通状态超过1.9，则相应的路线的段可能会以深红色突出显示。
将会注意到，网络的输入和输出值的上述格式(例如，如何表示数据值、归一化等)同样适用于训练阶段，训练样本以相同的方式表示。
应理解的是，本发明仅通过示例的方式进行了描述。在不脱离所附权利要求的精神和范围的情况下，可以对本文所描述的技术进行各种修改。所公开的技术包括可以以独立的方式或彼此结合的方式提供的技术。因此，关于一种技术描述的特征也可以结合另一种技术来呈现。

Claims (23)

1.一种用于预测关于道路网络内的指定路线的交通状况的计算机实现的设备，所述计算机实现的设备包括处理器和存储器，并且所述计算机实现的设备被配置为在所述处理器的控制下执行存储在所述存储器中的指令以：
接收表示所述指定路线的输入数据，所述指定路线包括从表示地理区域的道路网络内选择的起始位置与目的地之间的一个或多个路段；
获得表示所述指定路线的扩散图，所述扩散图包括由节点连接的边缘，其中，与每个边缘相关联的权重包括表示相应路段上的交通扩散到另一个路段的可能性的相应转移概率；以及
使用基于转换器的框架来预测所述路线的每个段的交通状况；
其中，所述基于转换器的框架包括注意力模块和输入，所述输入被配置为接收对于所述路线的每个段的一组输入维度，所述维度至少包括相应转移概率和时间数据，所述基于转换器的框架进一步包括注意力调整模块，所述注意力调整模块被配置为接收每组输入维度并且从每组所述输入维度生成权重修改器，所述权重修改器用于基于一个路段上的交通状态影响另一个路段上的交通状态的可能性来修改由所述注意力模块生成的注意力权重。
2.根据权利要求1所述的计算机实现的设备，其中，每组所述输入维度包括以星期几和由相应数值表示的时间段的形式的时间数据。
3.根据权利要求1或权利要求2所述的计算机实现的设备，其中，每组所述输入维度包括表示与沿着所述指定路线的行驶相关的道路类型和/或车辆类型的数字数据。
4.根据前述权利要求中任一项所述的计算机实现的设备，其中，每组所述输入维度包括表示路段上的行驶速度和/或路段的长度的数据。
5.根据权利要求4所述的计算机实现的设备，其中，表示所述行驶速度的数据和/或表示所述路段的长度的数据在每组所述输入维度中被归一化。
6.根据前述权利要求中任一项所述的计算机实现的设备，被配置为从路线选择API接收所述指定路线。
7.根据前述权利要求中任一项所述的计算机实现的设备，进一步被配置为基于预测的交通状况来计算关于所述指定路线的行驶时间。
8.根据前述权利要求中任一项所述的计算机实现的设备，进一步被配置为在显示器上输出与所述指定路线相关的预测的交通状况。
9.根据前述权利要求中任一项所述的计算机实现的设备，被配置为：获得表示所述指定路线的基于边缘的图，在所述基于边缘的图中，每个顶点表示所述道路网络中的一个段，并且如果能够从一个相应的路段到达另一个相应的路段，则所述顶点连接到相邻顶点；并且
使用所述基于边缘的图来确定所述扩散图。
10.根据权利要求9所述的计算机实现的设备，被配置为基于所述基于边缘的图中的对应权重来确定所述扩散图中的相应转移概率。
11.根据前述权利要求中任一项所述的计算机实现的设备，其中，所述注意力调整模块被配置为生成用于基于所述路段之间的距离来修改注意力权重的所述权重修改器。
12.一种通信设备，用于将资源分配给与共享经济的按需出行和/或运输服务提供相关的服务请求，所述通信设备包括处理器、存储器和根据前述权利要求中任一项所述的用于预测交通状况的计算机实现的设备，并且所述通信设备被配置为在所述处理器的控制下：
接收服务请求；
识别在所述服务请求中指定的起始位置与目的地；
获得推荐路线，所述推荐路线包括从表示地理区域的道路网络中选择的所述起始位置与所述目的地之间的一个或多个路段；
识别用于满足所述服务请求的服务提供者；以及
将所述推荐路线和表示所述服务提供者的数据输入到用于预测交通状况的所述设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
13.根据权利要求12所述的通信设备，被配置为在用户显示器上输出与所述推荐路线相关联的所述预测的交通状况数据。
14.根据权利要求12或13所述的通信设备，进一步被配置为使用所述预测的交通状况数据来预测所述服务提供者在所述目的地的到达时间。
15.根据权利要求14所述的通信设备，进一步被配置为基于在先前服务请求的所述目的地的所预测的所述到达时间，将另一个服务请求分配给所述服务提供者。
16.根据权利要求12至15中任一项所述的通信设备，包括数据存储，所述数据存储中存储有所述道路网络的基于边缘的图形数据，并且其中，用于预测交通状况的所述设备进一步被配置为从所述数据存储中选择性地检索表示推荐路线的所述基于边缘的图形数据。
17.根据权利要求16所述的通信设备，其中，所述数据存储是包括多个存储位置的分布式数据存储，每个存储位置存储所述道路网络的不同的相应部分的基于边缘的图形数据。
18.一种用于将资源分配给与共享经济的按需运输和/或递送服务提供相关的服务请求的通信系统，所述通信系统包括：至少一个用户通信装置，并且通信网络装备可操作用于通信服务器设备和所述至少一个用户通信装置通过所述通信网络装备彼此建立通信；以及至少一个服务提供者通信装置，并且所述通信网络装备可操作用于所述通信服务器设备和所述至少一个服务提供者通信装置通过所述通信网络装备彼此建立通信，所述通信服务器设备包括处理器、存储器和根据权利要求1至11中任一项所述的计算机实现的设备，并且所述通信服务器设备被配置为在所述处理器的控制下执行存储在所述存储器中的指令以：
接收来自所述用户通信装置的服务请求；
将所述服务请求中指定的起始位置和目的地输入到路线选择API以获得推荐路线，所述推荐路线包括从表示地理区域的道路网络中选择的所述起始位置与所述目的地之间的一个或多个路段；
识别用于满足所述服务请求的服务提供者；以及
将所述推荐路线和表示所述服务提供者的数据输入到用于预测交通状况的所述设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
19.一种服务提供者通信装置，用于经由通信网络从通信服务器设备接收表示分配给服务提供者的服务请求的数据，所述服务提供者通信装置包括路线选择API以及根据权利要求1至11中任一项所述的计算机实现的设备、处理器和存储器，并且所述服务提供者通信装置被配置为在所述处理器的控制下执行存储在所述存储器中的指令以：
接收表示包括起始位置和目的地的服务请求的数据；
将在所述服务请求中指定的所述起始位置和目的地输入到所述路线选择API以获得推荐路线，所述推荐路线包括从表示地理区域的道路网络内选择的所述起始位置与所述目的地之间的一个或多个路段；以及
将所述推荐路线和表示所述服务提供者的数据输入到用于预测交通状况的所述设备，以生成与所述推荐路线中的所述一个或多个路段相关联的一组预测的交通状况数据。
20.一种预测关于道路网络内的指定路线的交通状况的计算机实现的方法，所述方法包括以下步骤：
接收表示所述指定路线的输入数据，所述指定路线包括从表示地理区域的道路网络中选择的起始位置与目的地之间的一个或多个路段；
获得表示所述指定路线的扩散图，所述扩散图包括由节点连接的边缘，其中，与每个边缘相关联的权重包括表示相应路段上的交通扩散到另一个路段的可能性的相应转移概率；以及
使用基于转换器的框架来预测所述路线的每个段的交通状况；
其中，所述基于转换器的框架包括注意力模块和输入，所述输入被配置为接收对于所述路线的每个段的一组输入维度，所述维度至少包括相应转移概率和时间数据，所述基于转换器的框架进一步包括注意力调整模块，所述注意力调整模块被配置为接收每组输入维度并且从每组所述输入维度生成权重修改器，所述权重修改器用于基于一个路段上的交通状态影响另一个路段上的交通状态的可能性来修改由所述注意力模块生成的注意力权重。
21.一种计算机程序产品，包括用于实现权利要求20所述的方法的指令。
22.一种计算机程序，包括用于实现权利要求20所述的方法的指令。
23.一种存储指令的非暂时性存储介质，所述指令在由处理器执行时，使所述处理器执行权利要求20所述的方法。
CN202280044994.XA 2021-06-30 2022-06-29 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 Pending CN117561517A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN2021103471 2021-06-30
CNPCT/CN2021/103471 2021-06-30
PCT/SG2022/050450 WO2023277814A2 (en) 2021-06-30 2022-06-29 Computer-implemented apparatus and method for predicting traffic conditions in a route planning application

Publications (1)

Publication Number Publication Date
CN117561517A true CN117561517A (zh) 2024-02-13

Family

ID=84706489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280044994.XA Pending CN117561517A (zh) 2021-06-30 2022-06-29 用于在路线规划应用中预测交通状况的计算机实现的设备和方法

Country Status (2)

Country Link
CN (1) CN117561517A (zh)
WO (1) WO2023277814A2 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029459B (zh) * 2023-02-28 2023-07-21 速度科技股份有限公司 结合图傅里叶变换tmgcn交通流预测模型的提取方法
CN116884215B (zh) * 2023-07-14 2024-05-31 北京百度网讯科技有限公司 交通状态的预测、模型的生成方法、装置、设备及介质
CN117408393B (zh) * 2023-12-06 2024-03-19 华中科技大学 一种异常事件下综合客运枢纽交通流量的预测方法及系统
CN118098000B (zh) * 2024-04-24 2024-06-21 哈尔滨华鲤跃腾科技有限公司 一种基于人工智能的城市综合管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415521B (zh) * 2019-07-31 2021-03-05 京东城市(北京)数字科技有限公司 交通数据的预测方法、装置和计算机可读存储介质
CN111862591A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 路况预测方法、装置及存储介质

Also Published As

Publication number Publication date
WO2023277814A3 (en) 2023-02-09
WO2023277814A2 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
US11455578B2 (en) System and method for ride order dispatching and vehicle repositioning
CN117561517A (zh) 用于在路线规划应用中预测交通状况的计算机实现的设备和方法
US11823101B2 (en) Adaptive dispatching engine for advanced taxi management
US10885472B2 (en) Dynamic transportation pooling
WO2019232693A1 (en) System and method for ride order dispatching
WO2016119749A1 (zh) 一种订单分配系统及方法
US11429987B2 (en) Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences
KR20210052499A (ko) e-헤일링(e-hailing) 서비스
He et al. Spatio-temporal capsule-based reinforcement learning for mobility-on-demand coordination
CN110570656B (zh) 定制公共交通线路方法及装置
US11626021B2 (en) Systems and methods for dispatching shared rides through ride-hailing platform
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
WO2023000261A1 (zh) 一种区域交通的预测方法以及设备
AU2018217973A1 (en) Dynamic selection of geo-based service options in a network system
CN113643532A (zh) 一种区域交通的预测方法以及设备
Meybodi et al. TEDGE-Caching: Transformer-based edge caching towards 6G networks
Moreira-Matias et al. An online recommendation system for the taxi stand choice problem (Poster)
TW201905772A (zh) 乘車需求量預測方法及系統
EP3918543A1 (en) Transportation method and apparatus
CN113450557B (zh) 针对车辆客流量的预测模型进行更新的方法及装置
CN112949952B (zh) 一种基于图神经网络的航班客座率的预测方法及系统
US20240242600A1 (en) Infrastructure Sensor Processing
Najafabadi et al. Inference of pattern variation of taxi ridership using deep learning methods: a case study of New York City
Sun Algorithms for Context-Sensitive Prediction, Optimization and Anomaly Detection in Urban Mobility

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication