JP2021507344A - 目的地に応じたモデルに基づく到着予測 - Google Patents

Abstract

開示技術は、正確な到着通知を目的地に提供するものである。ある実施形態では、開示技術は、目的地周辺の交通量、目的地までの最良の進路、目的地までの途中における他の可能性のある中間地点での停止等の、ロケーションに応じたファクタを考慮することができる、目的地に応じたモデルを利用する。実施形態によっては、本技術は、ユーザが目的地に到着する前に一定した時間間隔で到着通知を目的地に提供することを目的とする。【選択図】図１

Description

本技術は到着通知に関し、より具体的には、目的地に応じたモデルを用いた、対象となる人又は物の目的地への到着予想に基づき、その人又は物が向かう目的地において正確な通知を提供することに関する。

［関連出願の相互参照］
本出願は、２０１７年８月９日出願の「ARRIVAL PREDICTIONS BASED ON DESTINATION SPECIFIC MODEL」と題する米国非仮出願第１５／６７２，３９９号に基づく優先権を主張するものである。この米国非仮出願の内容は、その全てを本明細書において引用することにより本明細書の一部をなすものとする。

到着通知を提供する従来のサービスは、多くの場合、目的地周辺のジオフェンスに依存している。しかし、かかるシステムは、ユーザのモバイルデバイスからの正確なロケーション報告に頼っているために、非常に不正確である。残念ながら、モバイルデバイスからの正確なロケーション報告は、質の高い到着通知を提供できるほど十分な整合性があるものではない。また、モバイルデバイスからの報告が正確であったとしても、ロケーションに応じた要因により到着時間が変動する場合がある。例えば、ある目的地の周辺の４分の１マイルに設定されたジオフェンスは、到着の１、２分前の到着通知しか提供できない程度である場合がある一方で、別の目的地の周辺の４分の１マイルに設定された別のジオフェンスでは、到着１０分前に通知が送られる可能性がある。したがって、ジオフェンスによる手法の有効性は十分ではない。加えて、到着通知又は到着予測時間を提供する従来の技術は、ユーザが目的地に直接向かうすることを前提としているが、多くの場合、正しい前提とは言い切れない。

このような、従来の到着技術及び到着予測技術の欠点は、「シェアリングエコノミー」サービスに関するアプリ、例えば、ライドシェアリングアプリケーション又は共同配送サービスアプリケーションにおいて広く見受けられる。多くのユーザにとって、ユーザの場所への運転手の到着予測が実際の到着とは大きくずれることがよくある。

本技術の上記に挙げた利点及び特徴並びに他の利点及び特徴は、添付図面に示す具体的な実施態様を参照することによって明らかになる。当業者であれば、これらの図面は、本技術の一部の例を示しているにすぎず、本技術の範囲がこれらの例に限定されるわけでないことを理解するであろう。さらに、当業者であれば、添付図面を用いて更に具体的かつ詳細に記載及び説明されている本技術の原理を理解するであろう。

一部の実施形態によるシステムの一例を示す図である。 一部の実施形態により、目的地に応じたモデルを作成する方法の一例を示す図である。 一部の実施形態により到着予測の送信時を決定する方法の一例を示す図である。 一部の実施形態による地図の一例を示す図である。 一部の実施形態による地図の一例を示す図である。 一部の実施形態によるシステムの一例を示す図である。 一部の実施形態により、目的地に応じたモデルを作成する方法の一例を示す図である。 一部の実施形態により到着予測の送信時を決定する方法の一例を示す図である。 一部の実施形態により本技術の幾つかの態様を実施するシステムの一例を示す図である。

本技術の様々な例を以下に詳細に説明する。具体的な実施態様を説明するが、これは例示を目的として行われるものにすぎないことが理解されるべきである。当業者であれば、本技術の趣旨及び範囲から逸脱することなく他の構成要素及び構成を用いることができることを認識するであろう。

開示の技術は、目的地への正確な到着通知を提供する当該分野における必要性に対処するものである。一部の実施形態において、開示の技術は、目的地周辺の交通量、目的地までの最良の進路、その他の、目的地に向かう途中で起こる可能性のある停止等の、ロケーションごとの要因を考慮することができる、目的地に応じたモデルを利用する。本技術は、一部の実施形態において、（例えばジオフェンスを用いて）目的地までの距離のみに基づいて通知をトリガするのではなく、ユーザが目的地に到着する一定時間前に目的地までの到着通知を提供することを目的とする。

ある実施形態においては、図１に示すように、開示対象の技術は、顧客１０２が目的地１０５に移動するつもりであることを知らせた状況に関するものである。ある実施形態では、目的地１０５は、インターネット上ではなく実在するロケーションを有する業者である。ただし、図５に示すように、本技術は、サービス提供者（例えば、運転手）１２４が顧客１０２のところにまで来ることを顧客が要求した状況に関するものでもある。本明細書を通して、図１に示す環境又は図５に示す環境について言及され得るが、当業者であれば、別段の指定がない限り、本技術は両方の状況に同じように適用されることを理解するであろう。

図１に、顧客１０２が目的地１０５に移動するつもりであることを知らせた状況の一例を示している。例えば、顧客１０２は、事前の手配及びピックアップサービスをオファーする注文を業者（目的地１０５）に対して行っている場合がある。ある実施形態では、業者は、最良の顧客体験を提供するために、顧客１０２の目的地１０５への予想到着時間に関する通知、又は、顧客１０２が目的地１０５に到着したことを知らせる通知を受け取って、顧客１０２が到着したときに業者が顧客１０２の注文を完了させることができるようにする。これらの通知はサーバ１１２が提供することができる。

顧客１０２は、業者のアカウント又は仲介サービスのアカウントを有することができ、このアカウントは、ロケーションサービス１０５を提供することができる顧客１０２のモバイルデバイス１０４に関連付けることができる。ロケーションサービス１０５は、サーバ１１２にロケーション情報を送るように構成することができる。

目的地１０５は、コンピューティングデバイス１０６に関連付けられる。目的地のコンピューティングデバイス１０６は、顧客到着予想に関する通知及び顧客到着通知をサーバ１１２から受信するように構成される。

図２及び図３に、本技術のある態様による例示の方法の実施形態を示す。図２及び図３を図１に関連して説明するが、図２及び図３に示す方法は、図１に示す動作環境に限定されるものとみなされるべきではない。

本技術は、到着予測又は到着通知を提供するにあたり、目的地に応じたモデル（destination specific model）１１３を利用する。目的地に応じたモデル１１３は、移動履歴データベース１１６に記憶されている過去の移動データを集めたものに対して行われる機械学習１１４により得られる。

図２に、目的地に応じたモデルを生成する一例示の方法の実施形態を示す。図２に示す方法は、到着予測に関する１つ以上の通知が目的地のコンピューティングデバイス１０６に提供された後に開始する。サーバ１１２は、過去の通知の質と、過去の通知の識別子と、目的地に向かうユーザが取った経路を表す経路データと、各通知に関連付けられた時刻とに関するデータの集合を移動履歴データベース１１６に記憶することができる。

サーバ１１２が、特定の顧客の到着に関する通知の質を評価するために目的地のコンピューティングデバイス１０６に問い合わせた（２０２）ときに、移動履歴データベース１１６へ追加を行うことができる。目的地のコンピューティングデバイス１０６を操作する業者の店員１０８は、この問い合わせに応答することができ、サーバ１１２は通知の評価を受信することができる（２０４）。サーバ１１２は、受信された通知を当該通知のＩＤと関連付けて移動履歴データベース１１６に記録することができる（２０６）。移動履歴データベース１１６は、通知に関連してユーザが取った経路に関する情報と、通知をもたらした移動に関する他の任意のデータとを記憶することができる。

移動履歴データベース１１６には、多くのユーザによる移動について上記データを集約することができる。

ある実施形態では、問い合わせ２０２の代わりとして又は問い合わせ２０２に加えて、サーバ１１２は、特定の顧客の到着に関する通知の質に対し、サーバ１１２が認識している通知内の情報の正確さに基づいて、スコアを付けることができる（２０３）。ある実施形態において、これは、通知に含まれる情報を観測データと比較することによって行うことができる。例えば、到着予測サービス１１５は、ユーザ１０２が３分以内に到着するであろうという通知をコンピューティングデバイス１０６に送信することができる。その後、サーバ１１２は、目的地のコンピューティングデバイス１０６が、ユーザ１０２が到着した（例えば、ユーザ１０２は、オーダした商品をピックアップするために業者とやり取りした）ことをサーバ１１２へ通知したことを観測することができる。サーバ１１２は、通知によって提供された３分の到着予測を、ユーザ１０２の予測された到着の通知をコンピューティングデバイス１０６に発行してから、ユーザ１０２が到着したとの通知をコンピューティングデバイス１０６から受信するまでの観測時間と比較することができ、その正確度に基づいて、ユーザ１０２の予測された到着の通知にスコアを付けることができる（２０３）。

サーバ１１２は、通知の質の評価又はスコアリングを移動履歴データベース１１６に記録することに加えて、ユーザ１０２が目的地１０５に向かう途中に取った経路に関する情報も記録することができる。ユーザ１０２が取った経路は、ユーザ１０２及び関連したコンピューティングデバイス１０４が目的地１０５に向かう間にロケーションサービス１０５からサーバ１１２へ報告されたデータから学習することができる。ある実施形態において、サーバ１１２は、この経路情報から、ユーザ１０２が目的地１０５に向かう途中で止まったかどうかを判断することができる。サーバ１１２は、通知に関連した時刻、曜日、及び日付も移動履歴データベース１１６に記録することができる。

機械学習１１４を、移動履歴データベース１１６内の目的地１０５に応じた履歴データに適用して（２０８）、目的地に応じたモデル１１３を生成することができる（２１０）。目的地に応じたモデル１１３は、質が良いとみなされた通知に関連したファクタと、質が悪いとみなされた通知に関連したファクタとを分析することによって作成又はトレーニングされる。目的地に応じたモデルは機械学習により生成されるため、目的地に応じたモデル１１３のある特性（dimension）は、セマンティックな意味を有しない場合がある一方で、ある特性は、セマンティックな重要性を有する場合がある。例えば、セマンティックな意味を有する特性は、ユーザが経路上で別の停止をする可能性、ユーザが経路上で渋滞に遭遇する可能性、目的地までの最も可能性の高い経路等を含みうる。

ある実施形態では、機械学習１１４を、目的地を問わず移動履歴データベース１１６内の全てのデータに対して最初にトレーニングして、ロケーションに基づかないモデルを得ることができる。かかる実施形態において、目的地に応じたモデル１１３は、ロケーションに基づかないモデルを、特定の目的地に関連するファクタについて背調整して得られるものとすることができる。

図３に、目的地に応じたモデル１１３を用いて予測された到着時間を有する通知を送信する一例示の方法を示す。図３に示す方法は、ユーザ１０２が目的地１０５に向かって進んでいると到着予測サービス１１５が判断する（３０２）ことによって開始する。この判断３０２は、或る期間にわたる一連のロケーション座標（すなわち、ロケーション座標の時系列）をロケーションサービス１０５から受信すること（３０４）と、到着予測サービス１１５が、時系列内の各ロケーション座標がその時系列内で先行する座標よりも目的地に近いかどうかを判断すること（３０６）とを伴う。

例えば、図４Ａに、２人のユーザＵ１及びＵ２が目的地１０５に向かっている地図の一例を示す。ユーザＵ１の経路を、Ｔ１ ４０５、Ｔ２ ４０６、Ｔ３ ４０７、及びＴ４ ４０８という点の時系列の地点によって示している。図示していように、ユーザＵ１は、Ｔ３ ４０７までは目的地１０５に向かって進んでおり、ロケーション４０２において止まっているように見える。Ｔ４ ４０８の地点も同じロケーションにあるため、到着予測サービス１１５は、ユーザＵ１がロケーション４０２において止まっていると結論付けることができる。したがって、到着予測サービス１１５は、４０７及び４０８におけるユーザＵ１のロケーションが同じであるため、時系列内の各座標が先行座標よりも目的地に近いわけではないと判断する（３０６）。これとは対照的に、ユーザＵ２は、Ｔ１における地点４１１からＴ２における地点４１２、Ｔ３における地点４１３へと進み、各点はその１つ前の地点よりも目的地に近い。したがって、到着予測サービス１１５は、時系列内の各座標が先行座標よりも目的地に近いと判断することができる（３０６）。

ユーザＵ１は目的地１０５に向かって進んでいないため、到着予測サービス１１５は、目的地のコンピューティングデバイス１０６に対する通知の送信を延期することができる（３２０）。

ユーザＵ２は目的地１０５に向かって進んでいるため、到着予測サービス１１５は、ユーザの直近のロケーション座標が建物に位置するか否かを判断することができる（３０８）。

図４Ｂに再び、目的地１０５に向かっているユーザＵ１及びユーザＵ２を示すが、図４Ｂにおいては、ユーザＵ１の各ロケーション座標が先行座標よりも目的地に近いため（３０６）、両ユーザの時系列が目的地１０５へと向かっている（３０２）点が異なる。到着予測サービス１１５は、ユーザＵ１の最新のロケーション座標が建物のロケーション４０２に位置する一方で、ユーザＵ２の最新のロケーション座標が建物に位置していないと判断することができる（３０８）。判断３０８に応じて、到着予測サービスは、ユーザＵ１に関する通知の送信を延期することができる（３２０）。

ある実施形態では、ユーザが建物内にいると判断されたとき（３０８）、モバイルデバイス１０４は、サーバ１１２に対するロケーション情報の送信を一時的に中止することができる。かかる実施形態では、モバイルデバイス１０４は、モバイルデバイス１０４が建物から遠ざかっていることを検出すると、サーバ１１２に対するロケーション更新の送信を再開することができる。

到着予測サービス１１５は次に、ユーザのロケーション座標が目的地１０５までの経路上の地点に位置しているかどうかを判断することができる（３１０）。図４Ｂを再び参照すると、ユーザＵ２の最新のロケーション座標は、目的地１０５までの経路上の地点に位置している。実施形態によっては、所有地に対する入口の私道及び出口の私道を経路に含めることができる。

時系列内の各ロケーション座標が目的地に近づいており（３０６）、最新のロケーション座標が建物に位置しておらず（３０８）、各ロケーション座標が目的地までの経路上の地点に位置しているときに（３０８）、到着予測サービス１１５は、経路エンジン（routing engine）１２０から暫定到着予測を受信することができる（３１２）。

経路エンジン１２０は、通常は地図作成アプリケーションに関連付けられているような従来の任意の経路エンジンとすることができる。かかる経路エンジンは、暫定到着時間を提供するにあたり、目的地までの距離と、制限速度と、場合に応じて現在の交通量とを考慮する。その一方で、経路エンジン１２０は、目的地までの最も可能性の高い経路、可能性のある、途中での停止、目的地に応じたモデル１１３における他の任意の学習されたファクタ等の、他のロケーションに応じたファクタを考慮することはない。

到着予測サービス１１５は、経路エンジン１２０から暫定到着予測を受信することができ（３１２）、目的地に応じたモデル１１３に基づいて暫定到着時間を調整することができる（３１４）。

実施形態によっては、到着予測サービス１１５は、経路エンジン１２０から暫定到着予測を受信することができ（３１２）、目的地に応じたモデル１１３を利用して暫定到着時間の信頼度を求めることができる。例えば、目的地に応じたモデル１１３におけるファクタが、ユーザ１０２が目的地１０５に直行していることの信頼度が低いことを示唆した場合、暫定到着予測を破棄することができ、到着予測を調整する必要はない。実施形態によっては、正確な到着予測の重要な側面は、ユーザ１０２が目的地１０５に向かって直行していることを予測することである。

調整された到着時間が所定の時間未満（例えば、３分未満）であると到着予測サービス１１５が判断すると（３１６）、到着予測サービス１１５は、ユーザ１０２が調整された到着時間に到着するという予測を含む通知を目的地のコンピューティングデバイス１０６に送信することができる（３２２）。

実施形態によっては、目的地のコンピューティングデバイス１０６に通知を送信すべきこの所定の時間を調整することが有益であることがあり得る。例えば、サーバ１１２が、ユーザ１０２のオーダが満たされたとの確認を目的地のコンピューティングデバイス１０６から受信しなかった場合、到着予測通知をいつ送信すべきかについての所定の閾値を増加させることは意味があることであり得る。かかる実施形態では、通知を送信する判定（３２２）は、まず、目的地１０５がユーザ１０２の到着について準備ができているかどうかを到着予測サービスが判断すること（３１８）を伴う。かかる実施形態では、到着予測サービス１１５は、サーバ１１２が、ユーザ１０２のオーダが満たされ、ピックアップされることを待機していることを示す情報を目的地のコンピューティングデバイス１０６から受信したかどうかを判断することができる。到着予測サービス１１５が、目的地１０５がユーザ１０２のオーダをまだ満たしていないと判断した場合（３１８）、到着予測サービス１１５は、通知を目的地のコンピューティングデバイス１０６に送信すべき所定の通知時間を増加させることができる。例えば、到着予測サービス１１５が、ユーザ１０２が目的地１０５から３分の範囲内にいるときに到着予測通知を送信するように構成されている場合、ユーザが５分の範囲内にいるときに到着予測通知を送信するよう到着予測サービス１１５を構成することができる。

到着予測サービス１１５が、調整された到着時間が所定の時間よりも長いと判断すると（３１６）、到着予測サービスは、通知の送信を延期することができる（３２０）。

図５に、顧客１０２が運転手１２４によるサービスを要求した状況の一例を示す。運転手１２４は、顧客１０２に指定されたロケーションに移動する。図５では、顧客１０２の役割が図１におけるものと逆になっている。図１では、目的地１０５が顧客１０２の到着予想及び到着に関する通知を受信していたのに対し、図５では、顧客１０２が運転手１２４の到着予想及び到着に関する通知を受信する。

図６及び図７について図５を参照しながら説明するが、図６及び図７に示す方法は、これらの図に示す動作状況に限定されるものとみなされるべきではない。加えて、図６及び図７に示す方法は、図２及び図３に示す方法と類似の点を共有するため、図２及び図３に関して上記で提供した説明は、別段の指定がない限り、図６及び図７にも当てはまる。

図６に、目的地に応じたモデルを生成する方法の一例を示す。ただし、図６では、目的地は、顧客１０２に指定されたロケーションに移動するよう運転手に依頼した顧客である。当業者によって理解されるように、顧客は、固定したロケーションを有しない。顧客は、第１の依頼については第１のロケーションに移動するように運転手に依頼し、その後、第２の依頼については第２のロケーションに移動するよう運転手に依頼する場合がある。したがって、図６に示す方法では、サーバ１１２は、移動履歴データを移動履歴データベース１１６にて収集することができ、機械学習１１４は、依頼側の顧客ではなく特定のロケーションに従ってそのデータを分析する。

図６に示すように、サーバ１１２は、顧客デバイス１０４を通じて、過去の通知の質を評価するように顧客１０２に依頼することができ（５０２）、評価を顧客デバイス１０４から受信することができる（５０４）。サーバ１１２は、ランキングと関連付けられた受信データを移動履歴データベース１１６に記録することができ（５０６）、移動履歴データベース１１６内のロケーション別のデータに対して機械学習１１４を適用することができる。このデータは、同じ指定ロケーションに移動するよう運転手に依頼した多くの依頼側ユーザから得られたデータに該当するものとすることができる。移動履歴データ１１６の分析に基づき、機械学習１１４は目的地に応じたモデル１１３を生成することができる。

図７に、運転手１２４の予測到着時間に関する通知をユーザに提供するかどうかを判断する方法の一例を示す。到着予測サービス１１５は、運転手１２４が指定された目的地に向かって進んでいると判断することができ（６０２）、運転手１２４のロケーション及び指定された目的地に対する進度を示す時系列のロケーション座標を運転手のデバイス１２５上のロケーションサービス１２６から受信することができる（６０４）。

到着予測サービス１１５は、ロケーションサービス１２６から報告された時系列内の各ロケーション座標が時系列内の先行座標よりも目的地に近いかどうかを判断することができる（６０６）。到着予測サービスが、時系列内の各ロケーション座標が時系列内の先行座標よりも目的地に近いと判断した場合（６０６）、到着予測サービスは次に、時系列内のロケーション座標が指定された目的地までの経路上の地点に位置するかどうかを判断することができる（６１０）。判断６０６又は判断６１０のいずれかが否定的なものである場合、到着予測サービス１１５は、顧客デバイス１０４への通知の送信を延期することができる（６２０）。

判断６０６及び判断６１０が肯定的であり、したがって、運転手１２４が指定された目的地に向かって進んでいるとき、到着予測サービス１１５は、暫定到着時間を経路エンジン１２０から受信することができる（６１２）。到着予測サービス１１５は、目的地に応じたモデル１１３に基づいて暫定到着時間を調整することができる（６１４）。

実施形態によっては、図７に示す方法に、運転手が追加で止まる予定になっているかどうかの判断を含めることもできるし、（予定された停止の場合又は予定されていない停止の場合について）建物に、又は建物内に運転手が位置しているかどうかの判断を含めることもでき、それに応じて暫定到着時間を調整することができる（６１４）。

到着予測サービス１１５は次に、到着時間が所定の期間未満であるか否かを判断することができ（６１６）、到着時間が所定の期間未満である場合に、調整された到着時間を含む通知を顧客デバイス１０４に送ることができる（６２２）。到着予測サービス１１５は、到着時間が所定の期間よりも長いと判断した場合に（６１６）、ユーザ１０２が運転手の到着に対して準備できているかどいうかを判断し（６１８）、その所定の期間を緩和するかどうかを判断することができる。

ユーザ１０２が屋外に居て、運転手１２４の到着を待っていることを顧客デバイス１０４がサーバ１１２に通知すると、ユーザ１０２は、運転手１２４の到着に対して準備はできているとみなすことができる。他方、おそらくＷｉ−Ｆｉのフィンガープリント又は他の屋内ロケーションマーカの存在を報告することにより、ユーザ１０２が建物内に居ると判断された場合、サーバ１１２は、ユーザ１０２が運転手の到着に対して準備はできていないと判断することができ、定められた期間を拡大して、デフォルト期間よりも早くユーザ１０２に通知をすることができる。

最後に、到着予測サービス１１５は、調整された到着時間を含む通知を顧客デバイス１０４に送信することができる（６２２）。

実施形態によっては、目的地に通知を提供するか否かの判定は、到着説明サービスが到着予測の十分な信頼性を実現するのを待つことも伴うことができる。信頼性は、或る期間にわたって目的地に応じたモデルから、一般に互いに対応する複数の予測を受信することによって構築することができる。

図７は、運転手のロケーションが建物内にあるかどうかの判断を示していないが、当業者であれば、そのような判断を図７に示す方法と関連付けて行うことができることを理解するであろう。

目的地又は目的地にいるユーザに対して通知を提供するかどうか及びその時期に関する判断を行うことに加えて、本技術は、顧客デバイス１０４とサーバ１１２との間の信頼性のない通信にも対処することができる。例えば、顧客デバイス１０４がそのインターネット接続を失った場合でも、サーバ１１２は引き続き質の高いユーザ１０２の到着予測を行うことができる。そのような実施形態では、目的地に応じたモデル１１３は、目的地１０５までの最も可能性の高い経路と、ユーザ１０２が各経路を取る確率とを認識している。したがって、サーバ１１２が、ユーザデバイス１０４が目的地１０５への移動を開始したことを認識したが、その後、ユーザデバイス１０４との通信を喪失した場合でも、目的地に応じたモデル１１３は、ユーザ１０２が目的地１０５までの最も可能性の高い経路のうちの１つを取ると予想することにより、引き続き到着予測通知をコンピューティングデバイス１０６に提供することができる。

実施形態によっては、サーバ１１２は、ユーザ１０２の交通手段を考慮することによって到着予測を行うことができる。サーバ１１２は、現在の移動速度を確認することができ、ユーザ１０２が歩いているか、自転車に乗っているか、又は車を運転しているかを想定することができる。実施形態によっては、サーバ１１２は、ユーザ１０２の交通手段をユーザデバイス１０４から直接的に学習することができる。サーバ１１２は、推定到着時間を知るためにユーザ１０２の交通手段を経路エンジン１２２への要求に含めることができる。到着予測サービス１１５も、ユーザ１０２の交通手段を考慮することができる。

実施形態によっては、ユーザデバイス１０４が、目的地１０５に到着したと判断することもできるし、サーバ１１２が、デバイス１０４が目的地１０５に近いことをデバイス１０４に通知することもできる。ユーザデバイス１０４が目的地１０５に到着したか又は目的地１０５に近いときに、ユーザデバイス１０４は、ユーザインタフェースを自動的に表示し、顧客が到着したときに顧客のオーダが準備できていたかどうかに関するフィードバックを顧客１０２から受け取ることができ、このフィードバックは、サーバ１１２にも提供することができる。

実施形態によっては、ユーザデバイス１０４に表示されるユーザインタフェースは、目的地１０５の周辺の地図とすることができる。ユーザは、目的地１０５の周辺のどこに位置しているのかを指定することができ、目的地１０５に居る業者の店員がユーザ１０２のオーダをユーザ１０２に直接持って来ることができる。

実施形態によっては、ユーザが目的地１０５の駐車場に入ったときに、ユーザデバイス１０４が低電力のＢｌｕｅｔｏｏｔｈビーコン等のビーコンを検出することもできる場合がある。そのような実施形態において、ユーザデバイス１０４は、ビーコンの検出をサーバ１１２に報告することができ、これにより、コンピューティングデバイス１０６に到着通知を送信するようサーバ１１２に促すことができる。

図８に、コンピューティングシステム７００の一例を示す。このシステム内の構成要素は接続部７０５により互いに通信する。接続部７０５は、バスを介した物理接続とすることもできるし、チップセットアーキテクチャ等の、プロセッサ７１０への直接接続とすることもできる。接続部７０５は、仮想接続、ネットワーク接続、又は論理接続とすることもできる。

実施形態によっては、コンピューティングシステム７００は、本開示において説明した機能を、１つのデータセンタ、複数のデータセンタ、ピアネットワーク等内に分散させることができる分散システムである。実施形態によっては、説明したシステム構成要素のうちの１つ以上は、多くのそのような構成要素を表し、各構成要素は、その構成要素について説明される機能の一部又は全てを実行する。実施形態によっては、構成要素は、物理デバイス又は仮想デバイスとすることができる。

例示のシステム７００は、少なくとも１つの処理ユニット（ＣＰＵ又はプロセッサ）７１０と、リードオンリメモリ（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）等のシステムメモリ７１５を含む様々なシステム構成要素をプロセッサ７１０に接続する接続部７０５とを備える。コンピューティングシステム７００は、高速メモリキャッシュを備えることができる。このキャッシュは、プロセッサ７１０と直接接続されているか、プロセッサ７１０に近接して配置されているか、又はプロセッサ７１０の一部として統合されている。

プロセッサ７１０は、任意の汎用プロセッサと、プロセッサ７１０を制御するように構成された、記憶デバイス７３０に記憶されたサービス７３２、７３４、及び７３６等のハードウェアサービス又はソフトウェアサービスとを含むことができ、加えて、ソフトウェア命令が実際のプロセッサ設計内に組み込まれた専用プロセッサを含むこともできる。プロセッサ７１０は、基本的に、複数のコア又はプロセッサ、バス、メモリコントローラ、キャッシュ等を収容する完全に自立型のコンピューティングシステムとすることができる。マルチコアプロセッサは、対称型又は非対称型とすることができる。

ユーザインタラクションを可能にするために、コンピューティングシステム７００は、入力デバイス７４５を備える。この入力デバイスは、音声用のマイクロフォン、ジェスチャ入力又はグラフィカル入力用のタッチ画面、キーボード、マウス、モーション入力、音声等の任意の数の入力メカニズムを表すことができる。コンピューティングシステム７００は、出力デバイス７３５も備えることができる。この出力デバイスは、当業者に既知の複数の出力メカニズムのうちの１つ以上とすることができる。場合によって、マルチモードシステムは、ユーザが、コンピューティングシステム７００と通信する複数のタイプの入出力を提供することを可能にすることができる。コンピューティングシステム７００は、一般にユーザ入力及びシステム出力を制御及び管理することができる通信インタフェース７４０を備えることができる。特定のハードウェア構成上で動作することに対する制限はなく、したがって、ここでの基本的な特徴は、開発されているような改良されたハードウェア構成又はファームウェア構成に容易に取り替えることができる。

記憶デバイス７３０は、不揮発性メモリデバイスとすることができ、ハードディスク、又は、コンピュータによってアクセス可能なデータを記憶することができる他のタイプのコンピュータ可読媒体とすることができる。このコンピュータ可読媒体は、例えば、磁気カセット、フラッシュメモリカード、半導体メモリデバイス、デジタル多用途ディスク、カートリッジ、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、及び／又はこれらのデバイスの或る組み合わせである。

記憶デバイス７３０は、ソフトウェアサービス、サーバ、サービス等を含むことができ、これらは、そのようなソフトウェアを定めるコードがプロセッサ７１０によって実行されると、システムに機能を実行させるものである。実施形態によっては、特定の機能を実行するハードウェアサービスは、この機能を実行するプロセッサ７１０、接続部７０５、出力デバイス７３５等の必要なハードウェア構成要素に関連してコンピュータ可読媒体に記憶されたソフトウェア構成要素を含むことができる。

説明を理解しやすくするために、場合によっては、本技術は、デバイス、デバイス構成要素、ソフトウェアで具現化される方法におけるステップ若しくはルーチン、又はハードウェア及びソフトウェアの組み合わせを備えた機能ブロックを含む個別の機能ブロックを含むものとして説明することができる。

本明細書において説明したステップ、動作、機能、又はプロセスのいずれも、ハードウェアサービス及びソフトウェアサービス又はサービスの組み合わせにより、単独で、又は他のデバイスとの組み合わせによって実行又は実施することができる。実施形態によっては、サービスは、コンテンツ管理システムのクライアントデバイス及び／又は１つ以上のサーバのメモリに存在するソフトウェアとすることができ、プロセッサがこのサービスに関連付けられたこのソフトウェアを実行すると、１つ以上の機能を実行することができる。実施形態によっては、サービスは、特定の機能を実行するプログラム又はプログラムの集合体である。ある実施形態では、サービスはサーバとみなすことができる。メモリは、非一時的なコンピュータ可読媒体とすることができる。

ある実施形態では、コンピュータ可読記憶デバイス、媒体及びメモリは、ケーブル、又はビットストリーム等を含む無線信号を含むことができる。しかし、言及がある場合、非一時的なコンピュータ可読記憶媒体は、エネルギー、キャリア信号、電磁波、及び信号それ自体を、明示的に除外する。

上述の例による方法は、コンピュータ可読媒体に記憶された、又は別の方法でコンピュータ可読媒体から利用可能な、コンピュータ実行可能命令を使用して実施することができる。そのような命令は、例えば、汎用コンピュータ、専用コンピュータ、専用処理デバイスに、或る特定の機能又は機能のグループを実行させるか、又は別の方法で或る特定の機能又は機能のグループを実行するように汎用コンピュータ、専用コンピュータ、専用処理デバイスを構成する、命令及びデータを含むことができる。使用されるコンピュータリソースの一部は、ネットワークを介してアクセス可能であってもよい。コンピュータ実行可能命令は、例えば、バイナリ、アセンブリ言語等の中間フォーマットの命令、ファームウェア、又はソースコードであってよい。命令、使用される情報、及び／又は説明された例による方法の実行中に作成された情報を記憶するために使用することができるコンピュータ可読媒体の例には、磁気又は光学ディスク、半導体メモリデバイス、フラッシュメモリ、不揮発性メモリが設けられたＵＳＢデバイス、ネットワーク接続記憶デバイス等が含まれる。

これらの開示による方法を実施するデバイスは、ハードウェア、ファームウェア及び／又はソフトウェアを備えることができるとともに、種々のフォームファクタのいずれかを取ることができる。そのようなフォームファクタの典型例には、サーバ、ラップトップ、スマートフォン、スモールフォームファクタパーソナルコンピュータ、パーソナルデジタルアシスタント等が含まれる。本明細書で説明された機能は、周辺機器又はアドインカードにおいて具現化することもできる。そのような機能は、更なる例として、単一のデバイスで達成する異なるチップ間又は異なるプロセス間の回路ボード上で実施することもできる。

命令、そのような命令を搬送する媒体、それらを実行するコンピューティングリソース、及びそのようなコンピューティングリソースをサポートする他の構造は、これらの開示において説明された機能を提供する手段である。

種々の例及び他の情報を、添付の特許請求の範囲内の態様を説明するために用いたが、当業者であれば多種多様な実施態様を導くためにこれらの例を使用できるので、そのような例における特定の特徴又は構成に基づいて特許請求の範囲が限定されてはならない。さらに、構造的な特徴及び／又は方法のステップの例に特有の表現で幾つかの主題が説明されている場合があるが、添付の特許請求の範囲に規定された主題は、それらの説明された特徴又は動作に必ずしも限定されないことが理解される。例えば、そのような機能は、別々に分散されてもよいし、本明細書で特定した構成要素とは異なる構成要素で実行されてもよい。むしろ、上述の特徴及びステップは、添付の特許請求の範囲内のシステム及び方法の構成要素の例として開示されている。

Claims (20)

1. ユーザが目的地に向かって進んでいると判断するステップと、
   暫定到着時間を経路エンジンから受信するステップと、
   目的地に応じたモデルに基づいて前記暫定到着時間を調整するステップと、
   調整された到着時間を含む通知を前記目的地のコンピューティングデバイスに送信するステップと
   を含む、正確な到着時間通知を提供するコンピュータ実施方法。
2. 前記ユーザが前記目的地に向かって進んでいると判断するステップは、
   ロケーション座標の時系列を、前記ユーザに関連付けられたモバイルデバイスから受信するステップと、
   前記時系列内の各ロケーション座標が前記時系列内の先行座標よりも前記目的地に近いと判断するステップと
   を含む、請求項１に記載のコンピュータ実施方法。
3. 前記ユーザが前記目的地に向かって進んでいると判断するステップは、前記ロケーション座標が建物に位置していないと判断するステップを含む、請求項２に記載のコンピュータ実施方法。
4. 前記ユーザが前記目的地に向かって進んでいると判断するステップは、前記ロケーション座標が前記目的地までの経路上の地点に位置していると判断するステップを含む、請求項３に記載のコンピュータ実施方法。
5. 前記目的地に応じたモデルは、機械学習手法の出力から作成されたものであり、
   前記機械学習手法は、前記目的地の前記コンピューティングデバイスに送信された通知の履歴データの分析を含み、
   前記通知のうちの各通知の前記履歴データは少なくとも、各通知の正確度の評価と、各通知に関連して前記目的地に向かって各ユーザが取った経路を表す経路データと、各通知に関連した時刻とを含むものである、
   請求項１に記載のコンピュータ実施方法。
6. 前記目的地に応じたモデルは複数の特性を含み、
   前記複数の特性は少なくとも、目的地に向かって取られた経路と、前記経路沿いの最も可能性の高い停止と、途中の遅延と、或る時刻における遅延とを含む、
   請求項１に記載のコンピュータ実施方法。
7. 前記目的地に応じたモデルに基づいて前記暫定到着時間を調整するステップは、前記目的地に応じたモデルの出力が、前記ユーザの到着時間が遅れそうであることを示す場合に、前記通知の送信を延期するステップを含む、請求項１に記載のコンピュータ実施方法。
8. 前記調整された到着時間を含む前記通知を前記目的地のコンピューティングデバイスに送信するステップは、前記調整された到着時間が３分以下であるときに行われる、請求項１に記載のコンピュータ実施方法。
9. 前記調整された到着時間を含む前記通知を前記目的地のコンピューティングデバイスに送信するステップは、ユーザが店に到着してから既定時間内のときに行われ、
   前記方法は、
   前記目的地が前記ユーザの到着に際して準備ができていないと判断するステップと、
   前記目的地が前記ユーザの到着に際して準備ができていないとの判断に応じて、前記既定時間よりも早く前記目的地に通知を行うステップと
   を含む、請求項１に記載のコンピュータ実施方法。
10. ユーザが目的地に向かって進んでいると判断し、前記ユーザが前記目的地に到着する暫定到着時間を経路エンジンから受信する到着予測サービスと、
    前記暫定到着時間を調整し、目的地に応じたファクタに基づいて予測到着時間を与える、目的地に応じたモデルと
    を備えるシステム。
11. 前記到着予測サービスは、
    ロケーションが記録された時点における前記ユーザのロケーションを表す一連のロケーションを、前記ユーザに関連付けられたユーザデバイスから経時的に受信するステップと、
    各ロケーションがそれ以前に記録されたロケーションよりも前記目的地に近いことと、直近のロケーションが建物内ではないことと、前記ロケーションが前記目的地までの想定経路上の地点に位置していることとを判断するステップと
    により、前記ユーザが前記目的地に向かって進んでいると判断する、請求項１０に記載のシステム。
12. 複数のユーザが行った移動を含むデータを記憶する移動履歴データベースを備え、
    前記データは少なくとも、過去の通知の識別子と、前記過去の通知の質評価と、前記過去の通知に関連付けられる目的地と、前記過去の通知に関連付けられる目的地に向かって前記複数のユーザの各々が取った経路を表す経路データと、各通知に関連した時刻とを含む、請求項１０に記載のシステム。
13. 前記目的地に応じたモデルは、前記移動履歴データベース内のデータに関して機械学習アルゴリズムをトレーニングすることにより作成され、
    前記機械学習モデルは、特定のロケーションについてのデータを分析して前記目的地に応じたモデルを作成する、請求項１２に記載のシステム。
14. 前記目的地に応じたファクタに基づいて予測された到着時間を得るために、前記目的地に応じたモデルにより前記暫定到着時間を調整するステップは、
    前記予測された到着時間が信頼できないと判断するステップと、
    前記目的地のコンピューティングデバイスに対して前記予測された到着時間を通知すべきではないと判断するステップと
    を含む、請求項１３に記載のシステム。
15. 前記到着予測サービスが、前記ユーザが第１の所定時間内に到着すると予測されることと、前記目的地が前記ユーザから要求されたオーダを満たしておらず、前記ユーザが第２の所定時間内に到着すると予測されることとのうちの少なくとも一方を判断すると、前記到着予測サービスは、前記ユーザについて予測された到着時間を含む通知を前記目的地のコンピューティングデバイスに送信する、請求項１０に記載のシステム。
16. 命令を有する非一時的なコンピュータ可読媒体であって、
    前記命令は、コンピューティングシステムによって実行されると、前記コンピューティングシステムに対し、
    ユーザが目的地に向かって進んでいると判断するステップと、
    暫定到着時間を経路エンジンから受信するステップと、
    目的地に応じたモデルに基づいて前記暫定到着時間の信頼度を求めるステップと、
    前記目的地のコンピューティングデバイスに対する通知を、前記暫定到着時間の信頼度が前記通知を送信するのに十分なものであるときに、送信するステップと
    を実行させる、非一時的なコンピュータ可読媒体。
17. 前記ユーザが前記目的地に向かって進んでいると判断するための前記命令は、
    ロケーションが記録された時点における前記ユーザのロケーションを表す一連のロケーションを、前記ユーザに関連付けられたユーザデバイスから経時的に受信するステップと、
    各ロケーションがそれ以前に記録されたロケーションよりも前記目的地に近いことと、直近のロケーションが建物内ではないことと、前記ロケーションが前記目的地までの想定経路上の地点に位置していることとを判断するステップと
    により、前記ユーザが前記目的地に向かって進んでいると判断するための命令を含む、請求項１６に記載の非一時的なコンピュータ可読媒体。
18. 前記目的地に応じたモデルは、機械学習手法の出力から作成されたものであり、
    前記機械学習手法は、前記目的地までの移動に関して複数のユーザから受信した通知の履歴データを分析するための命令を含み、
    各通知についての前記履歴データは少なくとも、各通知の正確度の評価と、各通知に関連した前記目的地に向けて取られた経路を表す経路データと、各通知に関連した時刻とを含む、請求項１６に記載の非一時的なコンピュータ可読媒体。
19. 前記命令は前記コンピューティングシステムに対して、前記目的地に応じたモデルに基づいて前記暫定到着時間を調整するステップを実行させる、請求項１６に記載の非一時的なコンピュータ可読媒体。
20. 前記暫定到着時間の信頼度を求めることは、
    前記ユーザが、前記目的地までの最も一般的な経路には含まれない前記目的地までの経路上を進んでいると判断するステップと、
    前記暫定到着時間の信頼度が当該時点において前記通知を送信するのに十分なものではないと判断するステップと
    を前記コンピューティングシステムに実行させる命令を含む、請求項１６に記載の非一時的なコンピュータ可読媒体。