JP2020502601A - 到着時間を推定するためのシステムおよび方法 - Google Patents
到着時間を推定するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2020502601A JP2020502601A JP2018567939A JP2018567939A JP2020502601A JP 2020502601 A JP2020502601 A JP 2020502601A JP 2018567939 A JP2018567939 A JP 2018567939A JP 2018567939 A JP2018567939 A JP 2018567939A JP 2020502601 A JP2020502601 A JP 2020502601A
- Authority
- JP
- Japan
- Prior art keywords
- link
- neural network
- network
- route
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 155
- 230000000306 recurrent effect Effects 0.000 claims abstract description 82
- 238000010801 machine learning Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 53
- 230000007787 long-term memory Effects 0.000 claims description 16
- 230000006403 short-term memory Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- G01C21/3453—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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Social Psychology (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
Description
Claims (31)
- 乗車オーダーに関連する到着時間を推定するための方法であって、
前記方法は、
トレーニングされた機械学習モデルに輸送情報を入力するステップであって、
前記輸送情報が、前記乗車オーダーに関連する出発地と目的地とを含み、
前記トレーニングされた機械学習モデルは、マルチプレーヤ・パーセプトロン・ネットワークに結合された、ワイド・ネットワーク、ディープ・ニューラル・ネットワーク、およびリカレント・ニューラル・ネットワークのすべてを含む、
入力するステップと、
前記トレーニングされた機械学習モデルに基づいて、前記出発地と前記目的地とを接続するルートを介して前記目的地に到着するための推定された時間を得るステップと
を含む、方法。 - 前記機械学習モデルをトレーニングするステップは、複数の履歴車両移動の各々について、
前記履歴車両移動に関連する輸送トレーニング・データを得るステップであって、前記輸送トレーニング・データが、履歴出発地と履歴目的地とを接続する履歴ルートと、実履歴移動時間とを含み、前記履歴ルートが、道路セグメントに各々対応するリンクのシーケンスに対応する、得るステップと、
前記輸送トレーニング・データから1つまたは複数の大域特徴および局所特徴を得るステップと、
それぞれ出力を得るために、前記ワイド・ネットワークに前記大域特徴を入力するステップ、前記ディープ・ニューラル・ネットワークに前記大域特徴を入力するステップ、および前記リカレント・ニューラル・ネットワークに前記局所特徴を入力するステップと
を含む、請求項1に記載の方法。 - 推定された履歴移動時間を得るために、前記ワイド・ネットワーク、前記ディープ・ニューラル・ネットワーク、および前記リカレント・ニューラル・ネットワークからの前記出力を前記マルチプレーヤ・パーセプトロン・ネットワークに入力するステップ
をさらに含む、請求項2に記載の方法。 - 前記大域特徴が、前記履歴ルートにおける前記リンクについて均一であり、
前記局所特徴が、個々に前記リンクに関連する、
請求項2に記載の方法。 - 前記大域特徴が、
ドライバ識別情報、乗客識別情報、曜日、時間、気象、またはピーク時間決定のうちの少なくとも1つを含む疎な特徴と、
前記ルートを包含する形状を含む第1の密な特徴と
を含む、請求項2に記載の方法。 - 前記局所特徴が、
前記リンクに対応して関連する基準特徴であって、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、またはリンク道路分類のうちの少なくとも1つを含む、基準特徴と、
前記リンクに対応して関連する第2の密な特徴であって、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つを含む、第2の密な特徴と
を含む、請求項2に記載の方法。 - 前記ワイド・ネットワークからの前記出力を得るために、前記ワイド・ネットワークに前記大域特徴を入力するステップが、
前記大域特徴のうちのあらゆる2つの間の積に各々対応する複数の特徴積を得るステップ
を含む、請求項2に記載の方法。 - 前記ディープ・ニューラル・ネットワークが、フィードフォワード・ニューラル・ネットワークを含み、
前記ディープ・ニューラル・ネットワークからの前記出力を得るために、前記ディープ・ニューラル・ネットワークに前記大域特徴を入力するステップが、
前記疎な特徴を埋め込むステップと、
前記第1の密な特徴と前記埋め込まれた疎な特徴とを連結するステップと、
前記フィードフォワード・ニューラル・ネットワークからの前記出力を得るために、前記連結された第1の密な特徴および疎な特徴を前記フィードフォワード・ニューラル・ネットワークに供給するステップと
を含む、
請求項2に記載の方法。 - 前記リカレント・ニューラル・ネットワークが、前記リンクの前記シーケンスを対応させるシーケンスにおける複数の層を含み、
前記リカレント・ニューラル・ネットワークからの前記出力を得るために、前記リカレント・ニューラル・ネットワークに前記局所特徴を入力するステップが、前記履歴移動の各々について、
層の前記シーケンスにおける最後の層の現在の隠れ状態を得るために、前記層への入力として、前記局所特徴を対応して供給するステップ
を含む、
請求項2に記載の方法。 - 前記リカレント・ニューラル・ネットワークが、長短期メモリ・ネットワークに結合された別のマルチプレーヤ・パーセプトロン・ネットワークを含み、
前記リカレント・ニューラル・ネットワークからの前記出力を得るために、前記リカレント・ニューラル・ネットワークに前記局所特徴を入力するステップが、
前記リンクに対応して関連する第1の結果を得るために、前記別のマルチプレーヤ・パーセプトロン・ネットワークに前記局所特徴を供給するステップと、
様々な層のうちの最後の層の現在の隠れ状態を得るために、前記長短期メモリ・ネットワークの前記様々な層への入力として前記第1の結果を対応して供給するステップと
を含む、
請求項2に記載の方法。 - 前記ルートは、各リンクが道路セグメントに対応する、接続されたリンクのシーケンスを含み、
前記輸送情報が、ドライバ識別情報、乗客識別情報、曜日、時間、気象、ピーク時間決定、前記ルートを包含する形状、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、リンク道路分類、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つをさらに含む、
請求項1に記載の方法。 - サーバ上で実装可能な、乗車オーダーに関連する到着時間を推定するためのシステムであって、プロセッサと、命令を記憶する非一時的コンピュータ可読ストレージ媒体とを備え、前記命令は、前記プロセッサによって実行されたとき、前記システムに方法を実施させ、
前記方法は、
トレーニングされた機械学習モデルに輸送情報を入力するステップであって、
前記輸送情報が、前記乗車オーダーに関連する出発地と目的地とを含み、
前記トレーニングされた機械学習モデルは、マルチプレーヤ・パーセプトロン・ネットワークに結合された、ワイド・ネットワーク、ディープ・ニューラル・ネットワーク、およびリカレント・ニューラル・ネットワークのすべてを含む、
入力するステップと、
前記トレーニングされた機械学習モデルに基づいて、前記出発地と前記目的地とを接続するルートを介して前記目的地に到着するための推定された時間を得るステップと
を含む、
システム。 - 前記機械学習モデルをトレーニングすることは、複数の履歴車両移動の各々について、
前記履歴車両移動に関連する輸送トレーニング・データを得ることであって、前記輸送トレーニング・データが、履歴出発地と履歴目的地とを接続する履歴ルートと、実履歴移動時間とを含み、前記履歴ルートが、道路セグメントに各々対応するリンクのシーケンスに対応する、得ることと、
前記輸送トレーニング・データから1つまたは複数の大域特徴および局所特徴を得ることと、
それぞれ出力を得るために、前記ワイド・ネットワークに前記大域特徴を入力すること、前記ディープ・ニューラル・ネットワークに前記大域特徴を入力すること、および前記リカレント・ニューラル・ネットワークに前記局所特徴を入力することと
を含む、請求項11に記載のシステム。 - 前記機械学習モデルをトレーニングすることは、複数の履歴車両移動の各々について、
推定された履歴移動時間を得るために、前記ワイド・ネットワーク、前記ディープ・ニューラル・ネットワーク、および前記リカレント・ニューラル・ネットワークからの前記出力を前記マルチプレーヤ・パーセプトロン・ネットワークに入力すること
をさらに含む、請求項13に記載のシステム。 - 前記大域特徴が、前記履歴ルートにおける前記リンクについて均一であり、
前記局所特徴が、個々に前記リンクに関連する、
請求項13に記載のシステム。 - 前記大域特徴が、
ドライバ識別情報、乗客識別情報、曜日、時間、気象、またはピーク時間決定のうちの少なくとも1つを含む疎な特徴と、
前記ルートを包含する形状を含む第1の密な特徴と
を含む、請求項13に記載のシステム。 - 前記局所特徴が、
前記リンクに対応して関連する基準特徴であって、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、またはリンク道路分類のうちの少なくとも1つを含む、基準特徴と、
前記リンクに対応して関連する第2の密な特徴であって、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つを含む、第2の密な特徴と
を含む、請求項13に記載のシステム。 - 前記ワイド・ネットワークからの前記出力を得るために、前記ワイド・ネットワークに前記大域特徴を入力することは、
各特徴積が前記大域特徴のうちのあらゆる2つの間の積に対応する複数の特徴積を得ること
を含む、請求項13に記載のシステム。 - 前記ディープ・ニューラル・ネットワークが、フィードフォワード・ニューラル・ネットワークを含み、
前記ディープ・ニューラル・ネットワークからの前記出力を得るために、前記ディープ・ニューラル・ネットワークに前記大域特徴を入力することが、
前記疎な特徴を埋め込むことと、
前記第1の密な特徴と前記埋め込まれた疎な特徴とを連結することと、
前記フィードフォワード・ニューラル・ネットワークからの前記出力を得るために、前記連結された第1の密な特徴および疎な特徴を前記フィードフォワード・ニューラル・ネットワークに供給することと
を含む、
請求項13に記載のシステム。 - 前記リカレント・ニューラル・ネットワークが、前記リンクの前記シーケンスを対応させるシーケンスにおける複数の層を含み、
前記リカレント・ニューラル・ネットワークからの前記出力を得るために、前記リカレント・ニューラル・ネットワークに前記局所特徴を入力することが、前記履歴移動の各々について、
層の前記シーケンスにおける最後の層の現在の隠れ状態を得るために、前記層への入力として、前記局所特徴を対応して供給すること
を含む、
請求項13に記載のシステム。 - 前記リカレント・ニューラル・ネットワークが、長短期メモリ・ネットワークに結合された別のマルチプレーヤ・パーセプトロン・ネットワークを含み、
前記リカレント・ニューラル・ネットワークからの前記出力を得るために、前記リカレント・ニューラル・ネットワークに前記局所特徴を入力することが、
前記リンクに対応して関連する第1の結果を得るために、前記別のマルチプレーヤ・パーセプトロン・ネットワークに前記局所特徴を供給することと、
様々な層のうちの最後の層の現在の隠れ状態を得るために、前記長短期メモリ・ネットワークの前記様々な層への入力として前記第1の結果を対応して供給することと
を含む、
請求項13に記載のシステム。 - 前記ルートが、各リンクが道路セグメントに対応する、接続されたリンクのシーケンスを含み、
前記輸送情報が、ドライバ識別情報、乗客識別情報、曜日、時間、気象、ピーク時間決定、前記ルートを包含する形状、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、リンク道路分類、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つをさらに含む、
請求項12に記載のシステム。 - 乗車オーダーに関連する到着時間を推定するための方法であって、
デバイスから、出発地から目的地への輸送のための乗車オーダーを受信するステップと、
前記出発地と前記目的地とを接続するルートを決定するステップと、
前記ルートに関連する輸送情報を得るステップと、
前記ルートを介して前記目的地に到着するための推定された時間を得るために、トレーニングされた機械学習モデルに前記得られた輸送情報を入力するステップと、
前記推定された時間を前記デバイス上で再生させるステップと
を含む、方法。 - 前記ルートが、各リンクが道路セグメントに対応する、接続されたリンクのシーケンスを含み、
前記輸送情報が、ドライバ識別情報、乗客識別情報、曜日、時間、気象、ピーク時間決定、前記ルートを包含する形状、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、リンク道路分類、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つを含む、
請求項23に記載の方法。 - 前記トレーニングされた機械学習モデルは、多層パーセプトロン・ネットワークに結合された、ワイド・ネットワーク、ディープ・ニューラル・ネットワーク、リカレント・ニューラル・ネットワークのすべてを含む、請求項23に記載の方法。
- 乗車オーダーに関連する到着時間を推定するためのシステムであって、
プロセッサと、命令を記憶する非一時的コンピュータ可読ストレージ媒体とを備え、
前記命令は、前記プロセッサによって実行されたとき、前記システムに方法を実施させ、
前記方法は、
デバイスから、出発地から目的地への輸送のための乗車オーダーを受信するステップと、
前記出発地と前記目的地とを接続するルートを決定するステップと、
前記ルートに関連する輸送情報を得るステップと、
前記ルートを介して前記目的地に到着するための推定された時間を得るために、トレーニングされた機械学習モデルに前記得られた輸送情報を入力するステップと、
前記推定された時間を前記デバイス上で再生させるステップと
を含む、
システム。 - 前記ルートが、各リンクが道路セグメントに対応する、接続されたリンクのシーケンスを含み、
前記輸送情報が、ドライバ識別情報、乗客識別情報、曜日、時間、気象、ピーク時間決定、前記ルートを包含する形状、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、リンク道路分類、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つを含む、
請求項26に記載のシステム。 - 前記トレーニングされた機械学習モデルは、多層パーセプトロン・ネットワークに結合された、ワイド・ネットワーク、ディープ・ニューラル・ネットワーク、およびリカレント・ニューラル・ネットワークのすべてを含む、請求項26に記載のシステム。
- 命令を記憶する非一時的コンピュータ可読ストレージ媒体であって、前記命令が、プロセッサによって実行されたとき、前記プロセッサに、乗車オーダーに関連する到着時間を推定するための方法を実施させ、
前記方法が、
デバイスから、出発地から目的地への輸送のための乗車オーダーを受信するステップと、
前記出発地と前記目的地とを接続するルートを決定するステップと、
前記ルートに関連する輸送情報を得るステップと、
前記ルートを介して前記目的地に到着するための推定された時間を得るために、トレーニングされた機械学習モデルに前記得られた輸送情報を入力するステップと、
前記推定された時間を前記デバイス上で再生させるステップと
を含む、
非一時的コンピュータ可読ストレージ媒体。 - 前記ルートが、各リンクが道路セグメントに対応する、接続されたリンクのシーケンスを含み、
前記輸送情報が、ドライバ識別情報、乗客識別情報、曜日、時間、気象、ピーク時間決定、前記ルートを包含する形状、リンク識別情報、リンク速度制限、リンク通行料金決定、リンク道路幅、リンク道路分類、リアルタイム・リンク交通速度、リンク長さ、またはリンク交通信号持続時間のうちの少なくとも1つを含む、
請求項29に記載の非一時的コンピュータ可読ストレージ媒体。 - 前記トレーニングされた機械学習モデルは、多層パーセプトロン・ネットワークに結合された、ワイド・ネットワーク、ディープ・ニューラル・ネットワーク、およびリカレント・ニューラル・ネットワークのすべてを含む、請求項29に記載の非一時的コンピュータ可読ストレージ媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020197010A JP6965426B2 (ja) | 2017-11-23 | 2020-11-27 | 到着時間を推定するためのシステムおよび方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/112520 WO2019100279A1 (en) | 2017-11-23 | 2017-11-23 | System and method for estimating arrival time |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020197010A Division JP6965426B2 (ja) | 2017-11-23 | 2020-11-27 | 到着時間を推定するためのシステムおよび方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020502601A true JP2020502601A (ja) | 2020-01-23 |
JP6804792B2 JP6804792B2 (ja) | 2020-12-23 |
Family
ID=64050821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018567939A Active JP6804792B2 (ja) | 2017-11-23 | 2017-11-23 | 到着時間を推定するためのシステムおよび方法 |
Country Status (7)
Country | Link |
---|---|
US (2) | US10127496B1 (ja) |
EP (1) | EP3507783B1 (ja) |
JP (1) | JP6804792B2 (ja) |
CN (3) | CN113850371A (ja) |
CA (1) | CA3028278A1 (ja) |
TW (1) | TWI694388B (ja) |
WO (1) | WO2019100279A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
JP7464728B2 (ja) | 2020-02-04 | 2024-04-09 | トムトム ナビゲーション ベスローテン フエンノートシャップ | ナビゲーションシステム |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018227368A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending an estimated time of arrival |
US10816351B1 (en) * | 2017-07-14 | 2020-10-27 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US10557713B1 (en) * | 2017-07-14 | 2020-02-11 | Uber Technologies, Inc. | Generation of trip estimates using real-time data and historical data |
US11037055B2 (en) * | 2017-10-30 | 2021-06-15 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
JP6804792B2 (ja) * | 2017-11-23 | 2020-12-23 | 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 | 到着時間を推定するためのシステムおよび方法 |
US10979857B2 (en) * | 2018-05-03 | 2021-04-13 | Curbside Inc. | Content conversion tracking based on location data |
US11410020B2 (en) * | 2018-07-06 | 2022-08-09 | Geet Garg | Machine learning models for predicting time in traffic |
US10970668B2 (en) * | 2018-11-15 | 2021-04-06 | DoorDash, Inc. | Depot dispatch protocol for autonomous last-mile deliveries |
CN109489679B (zh) * | 2018-12-18 | 2019-12-17 | 成佳颖 | 一种导航路径中的到达时间计算方法 |
US11391586B2 (en) * | 2019-01-31 | 2022-07-19 | Here Global B.V. | Method and apparatus for discovery of semantic nodes for map-based dynamic location sampling |
DE102019205519A1 (de) * | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Verfahren zum Ermitteln von Fahrverläufen |
CN111783503A (zh) * | 2019-04-21 | 2020-10-16 | 泰州悦诚科技信息咨询中心 | 电子设备状态切换方法 |
CN110414731B (zh) * | 2019-07-23 | 2021-02-02 | 北京三快在线科技有限公司 | 订单分配的方法、装置、计算机可读存储介质及电子设备 |
US11781874B2 (en) * | 2019-09-12 | 2023-10-10 | Lyft, Inc. | Transportation route error detection and adjustment |
CN114365205A (zh) * | 2019-09-19 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 确定在线到离线服务中的预估到达时间的系统和方法 |
EP3806007A1 (en) * | 2019-10-09 | 2021-04-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods, computer programs and systems for assigning vehicles to vehicular tasks and for providing a machine-learning model |
CN110993070B (zh) * | 2019-10-17 | 2023-04-07 | 山东科技大学 | 基于神经网络的医院门诊等待时间预测方法 |
CN110942211A (zh) * | 2019-12-12 | 2020-03-31 | 武汉中海庭数据技术有限公司 | 一种基于深度神经网络的预估达到时间预测方法及装置 |
CN111141302B (zh) * | 2019-12-26 | 2023-10-27 | 斑马网络技术有限公司 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
CN111292549B (zh) * | 2020-02-03 | 2022-03-22 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
CN111353009B (zh) * | 2020-02-03 | 2021-10-26 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 |
CN113252054B (zh) * | 2020-02-11 | 2023-11-28 | 株式会社日立制作所 | 一种导航方法和导航系统 |
CN111582559B (zh) * | 2020-04-21 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 一种到达时间的预估方法及装置 |
CN111724586B (zh) * | 2020-05-11 | 2022-03-11 | 清华大学 | 通勤时间预测方法、通勤时间预测模型的训练方法和装置 |
CN111833600B (zh) * | 2020-06-10 | 2022-07-08 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
EP3971780A1 (en) * | 2020-07-24 | 2022-03-23 | Tata Consultancy Services Limited | Method and system for dynamically predicting vehicle arrival time using a temporal difference learning technique |
US11164084B1 (en) * | 2020-11-11 | 2021-11-02 | DeepCube LTD. | Cluster-connected neural network |
CN113112059A (zh) * | 2021-03-31 | 2021-07-13 | 亿海蓝(北京)数据技术股份公司 | 船舶靠泊时间预测方法及系统 |
CN113112264A (zh) * | 2021-04-19 | 2021-07-13 | 中国工商银行股份有限公司 | 乘车码自动展示方法、装置、计算机系统和可读存储介质 |
CN113643093A (zh) * | 2021-07-15 | 2021-11-12 | 北京百度网讯科技有限公司 | 打车服务订单的状态信息的提供方法、设备和存储介质 |
US20230090377A1 (en) * | 2021-07-30 | 2023-03-23 | PCS Software, Inc. | System and Method for Optimizing Backhaul Loads in Transportation System |
FR3126382A1 (fr) * | 2021-08-26 | 2023-03-03 | Psa Automobiles Sa | Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination |
CN113781278A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 基于特征识别的事件提示方法、装置、设备及存储介质 |
CN114822061B (zh) * | 2022-03-30 | 2023-11-28 | 阿里巴巴(中国)有限公司 | 到达时间预估方法、装置、电子设备及计算机程序产品 |
CN115376308B (zh) * | 2022-05-26 | 2024-06-04 | 南京工程学院 | 一种汽车行驶时间的预测方法 |
CN116011912A (zh) * | 2022-12-30 | 2023-04-25 | 广州联雅网络科技有限公司 | 跨境电商智能发货方法及装置、设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015014819A (ja) * | 2013-07-03 | 2015-01-22 | クラリオン株式会社 | 接近物検出システム、及び車両 |
JP2016164063A (ja) * | 2015-01-29 | 2016-09-08 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ,インコーポレイティド | 乗員視界及びセンサ検出作用が遮断された環境における自律移動体の操作方法 |
JP2016170005A (ja) * | 2015-03-12 | 2016-09-23 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 測位装置、測位方法、測位プログラム、測位システム及び測位端末 |
JP2017174355A (ja) * | 2016-03-25 | 2017-09-28 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム |
WO2017181932A1 (en) * | 2016-04-18 | 2017-10-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending an estimated time of arrival |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5839114A (en) * | 1996-02-29 | 1998-11-17 | Electronic Data Systems Corporation | Automated system for selecting an initial computer reservation system |
JP2000311243A (ja) * | 1999-04-28 | 2000-11-07 | Sony Corp | 画像色補正方法及び装置 |
US20030125961A1 (en) * | 2001-12-27 | 2003-07-03 | Caterpillar Inc. | Autonomous rental store |
WO2006099429A2 (en) * | 2005-03-14 | 2006-09-21 | Thaler Stephen L | Neural network development and data analysis tool |
US7603231B2 (en) * | 2005-11-12 | 2009-10-13 | Alpine Electronics, Inc. | Navigation method and system having improved arrival detection function for large scale destination |
CN101606846B (zh) * | 2009-07-10 | 2011-01-12 | 中国科学技术大学 | 基于神经网络定位器的pet探测器信号处理设备 |
US8498953B2 (en) * | 2010-03-30 | 2013-07-30 | Sap Ag | Method for allocating trip sharing |
US10796176B2 (en) * | 2010-06-07 | 2020-10-06 | Affectiva, Inc. | Personal emotional profile generation for vehicle manipulation |
JP2012008771A (ja) * | 2010-06-24 | 2012-01-12 | Sony Corp | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
US20140088865A1 (en) * | 2012-09-27 | 2014-03-27 | Siemens Industry, Inc. | Apparatus and method for predicting arrival times in a transportation network |
US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
CN104123836B (zh) * | 2014-07-29 | 2016-04-06 | 北京嘀嘀无限科技发展有限公司 | 基于城市叫车订单时间地点组合的订单推送系统 |
CN104794886A (zh) * | 2014-08-12 | 2015-07-22 | 北京东方车云信息技术有限公司 | 网络租车系统中打车费用预估系统和方法 |
TWI522974B (zh) * | 2014-10-06 | 2016-02-21 | Chunghwa Telecom Co Ltd | 到站時間預測系統與方法 |
CN104318757B (zh) * | 2014-11-03 | 2016-04-20 | 大连海事大学 | 一种公交专用道上的公交车车路段运行时间预测方法 |
US10175054B2 (en) * | 2015-01-11 | 2019-01-08 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
CN105303817B (zh) * | 2015-09-16 | 2019-01-29 | 北京嘀嘀无限科技发展有限公司 | 一种出行方式的规划方法及装置 |
CN105279563A (zh) * | 2015-09-30 | 2016-01-27 | 传成文化传媒(上海)有限公司 | 一种基于电视的车辆预定方法及系统 |
JP6758406B2 (ja) * | 2016-04-13 | 2020-09-23 | グーグル エルエルシー | ワイドアンドディープマシンラーニングモデル |
US10452068B2 (en) * | 2016-10-17 | 2019-10-22 | Uber Technologies, Inc. | Neural network system for autonomous vehicle control |
CN106652534B (zh) * | 2016-12-14 | 2019-08-16 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN106874511B (zh) * | 2017-03-06 | 2020-05-05 | 云南电网有限责任公司电力科学研究院 | 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库 |
CN106971545B (zh) * | 2017-05-16 | 2019-07-30 | 青岛大学 | 一种公交车到站时间预测方法 |
CN106981198B (zh) * | 2017-05-24 | 2020-11-03 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107633317B (zh) * | 2017-06-15 | 2021-09-21 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
JP6804792B2 (ja) * | 2017-11-23 | 2020-12-23 | 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 | 到着時間を推定するためのシステムおよび方法 |
-
2017
- 2017-11-23 JP JP2018567939A patent/JP6804792B2/ja active Active
- 2017-11-23 CA CA3028278A patent/CA3028278A1/en not_active Abandoned
- 2017-11-23 WO PCT/CN2017/112520 patent/WO2019100279A1/en unknown
- 2017-11-23 CN CN202111106261.8A patent/CN113850371A/zh active Pending
- 2017-11-23 CN CN202111127028.8A patent/CN113865606A/zh active Pending
- 2017-11-23 CN CN201780038508.2A patent/CN110073426B/zh active Active
- 2017-11-23 EP EP17913122.2A patent/EP3507783B1/en active Active
-
2018
- 2018-03-16 US US15/923,329 patent/US10127496B1/en active Active
- 2018-11-22 TW TW107141575A patent/TWI694388B/zh active
-
2019
- 2019-04-01 US US16/372,118 patent/US10527436B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015014819A (ja) * | 2013-07-03 | 2015-01-22 | クラリオン株式会社 | 接近物検出システム、及び車両 |
JP2016164063A (ja) * | 2015-01-29 | 2016-09-08 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ,インコーポレイティド | 乗員視界及びセンサ検出作用が遮断された環境における自律移動体の操作方法 |
JP2016170005A (ja) * | 2015-03-12 | 2016-09-23 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 測位装置、測位方法、測位プログラム、測位システム及び測位端末 |
JP2017174355A (ja) * | 2016-03-25 | 2017-09-28 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム |
WO2017181932A1 (en) * | 2016-04-18 | 2017-10-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending an estimated time of arrival |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
CN109146156B (zh) * | 2018-08-03 | 2021-12-03 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
JP7464728B2 (ja) | 2020-02-04 | 2024-04-09 | トムトム ナビゲーション ベスローテン フエンノートシャップ | ナビゲーションシステム |
Also Published As
Publication number | Publication date |
---|---|
WO2019100279A1 (en) | 2019-05-31 |
JP6804792B2 (ja) | 2020-12-23 |
CN113850371A (zh) | 2021-12-28 |
US10127496B1 (en) | 2018-11-13 |
EP3507783A1 (en) | 2019-07-10 |
US10527436B2 (en) | 2020-01-07 |
TWI694388B (zh) | 2020-05-21 |
CN110073426B (zh) | 2021-10-26 |
EP3507783A4 (en) | 2019-07-31 |
TW201926156A (zh) | 2019-07-01 |
US20190226855A1 (en) | 2019-07-25 |
AU2017421868A1 (en) | 2019-06-06 |
CN113865606A (zh) | 2021-12-31 |
CA3028278A1 (en) | 2019-05-23 |
CN110073426A (zh) | 2019-07-30 |
EP3507783B1 (en) | 2021-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6804792B2 (ja) | 到着時間を推定するためのシステムおよび方法 | |
JP6965426B2 (ja) | 到着時間を推定するためのシステムおよび方法 | |
CN108074415B (zh) | 一种基于用户行为的车辆目的地预测方法及系统 | |
CN110675621B (zh) | 预测交通信息的系统和方法 | |
US11536582B2 (en) | System and method for estimating travel time and distance | |
US20190385121A1 (en) | Trip inferences and machine learning to optimize delivery times | |
JP7032881B2 (ja) | 車両の走行スケジュールを管理するためのシステム、方法、及びプログラム | |
CN111833600B (zh) | 通行时间预测方法、装置及数据处理设备 | |
CN111066048B (zh) | 用于乘车订单分派的系统和方法 | |
KR20180008388A (ko) | 주문들을 푸싱하기 위한 방법들 및 시스템들 | |
CN108684203A (zh) | 使用基于学习的模型预测控制来确定自动驾驶车辆的道路摩擦的方法和系统 | |
CN110782648B (zh) | 确定预计到达时间的系统和方法 | |
CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
CN112106021B (zh) | 提供车辆导航模拟环境的方法和装置 | |
US20210295224A1 (en) | Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices | |
US10989546B2 (en) | Method and device for providing vehicle navigation simulation environment | |
CN113924460B (zh) | 确定服务请求的推荐信息的系统和方法 | |
US20220358615A1 (en) | Systems and methods for plan determination | |
WO2020197941A1 (en) | Dynamically modifying transportation requests for a transportation matching system using surplus metrics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190329 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200707 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200820 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6804792 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |