JP7441848B2 - ノイズの多いマルチモーダルデータから関心地点についての最適な輸送サービスの場所を自動的に決定する方法 - Google Patents

Description

本開示の様々な態様は、一般に、輸送サービスに関し、より詳細には、最適な輸送サービスの場所の決定に関する。

オンデマンド輸送（transport）サービスプロバイダ（例えば、ドライバ）は、出発地から目的地への１人または複数の人、または、１つまたは複数のアイテムの輸送のリクエストをクライアントから受ける。典型的には、クライアントは、ドライバが１人または複数の人、または、１つまたは複数のアイテムをピックアップし、移動（trip）を開始するための場所（location）を指定する。そして、ドライバは、移動を完了するために、目的地で人またはアイテムをドロップオフするための場所を決定する。ピックアップの場所およびドロップオフの場所を手動で決定することにより、実際の道路条件に対して最適化されていないピックアップの場所およびドロップオフの場所をしばしば生成し、あるいは、不十分に選択されたピックアップの場所および／またはドロップオフの場所が原因で、ピックアップ時間または総移動時間が遅れる。あらゆる可能な関心地点（ＰＯＩ）について適切なピックアップの場所またはドロップオフの場所を手動で見つけることは、手間がかかり、キュレートするために測定可能ではなく（un-scalable）、クライアントおよびドライバにとって不快である。

以下、開示される発明の様々な態様の基本的な理解を提供するために、簡略化された概要を提示する。この発明の概要は、すべての企図された態様の広範な概観ではなく、すべての態様の重要なまたは重大な要素を識別することも、任意のまたはすべての態様の範囲を線引きすることも意図されていない。唯一の目的は、後に提示されるより詳細な説明の前置きとして、１つまたは複数の態様のいくつかの概念を簡略化された形態で提示することである。

サービスプロバイダとリクエスタの両方に適したまたは最適な、関心地点または関心領域（ＡＯＩ）に固有の輸送サービスの場所（例えば、ピックアップの場所、ドロップオフの場所など）を自動的に推測または発見するための解決策が提供される。これらの場所は、ノイズの多いグローバル・ポジショニング・システム（ＧＰＳ）、画像、ビデオ、オーディオ、電子財布取引、テレマティックスデータ（例えば、ドアの開閉、車のセンサからのシートベルトの使用）、および、プロバイダおよびリクエスタのアプリケーションプログラムからのユーザ対話データを含む多数の信号から推測される。オーディオデータ、視覚的データ、テキストデータ、および場所のデータは、ドライバアプリケーションプログラムおよび／または乗客アプリケーションプログラムから来る。輸送サービスは解決策が適用される例として示されているが、解決策は、食品配送および物流などの他のサービスに拡張され、一般化される。

本開示の一態様では、輸送サービスのための方法、コンピュータ可読媒体、および装置が提供される。装置は、実在関心地点（point of interest entity）に関連付けられた複数の輸送サービス取引を受信する。複数の輸送サービス取引の各輸送サービス取引について、装置は、輸送サービス取引が実行される輸送サービスの場所を決定する。装置は、複数の輸送サービス取引について決定された輸送サービスの場所をクラスタ化する。装置は、クラスタリングに基づいて、実在関心地点のための１つまたは複数の輸送サービスの場所の候補を決定する。装置は、実在関心地点において実行される輸送サービス取引に関連付けられたクライアントまたはサービスプロバイダに、１つまたは複数の輸送サービスの場所の候補を提供する。

前述の目的および関連する目的を達成するために、開示される態様は、以下で十分に説明され、特に特許請求の範囲で指摘される特徴を含む。以下の説明および添付の図面は、本開示の態様の特定の特徴を詳細に示す。しかしながら、これらの特徴は、さまざまな態様の原理が採用される様々な方法のうちのほんのいくつかを示す。そして、この説明は、すべてのそのような態様およびそれらの均等物を含むことが意図される。

図１は、輸送サービス取引の一例を示す図である。

図２は、関心地点に対する最適なサービスの場所を自動的に決定する方法のフローチャートである。

図３は、他のデータソースが輸送サービスの場所を推測するためにどのように使用されるかの一般的なフレームワークの一例を示す図である。

図４は、ある固定クラスタリングパラメータを用いた１ＫサンプリングにおけるＰＯＩのクラスタリング結果の一例を示す図である。

図５は、同じ固定クラスタリングパラメータを使用して、２０Ｋサンプリング（例えば、１ヶ月のデータセット）における、図４において上述したＰＯＩのクラスタリング結果の一例を示す図である。

図６は、ＰＯＩに対する５－ＮＮ距離（ｋｍ単位）の累積分布関数の例を示すチャートである。

図７は、従来のクラスタリングアルゴリズムの問題に対処するために、上述した方法を使用する、図４および図５において上述したＰＯＩのクラスタリング結果の一例を示す図である。

図８は、輸送サービスの方法のフローチャートである。

図９は、例示的な装置における異なる手段／コンポーネント間のデータフローを示す概念的なデータフロー図である。

図１０は、処理システムを採用する装置のハードウェア実装の一例を示す図である。

添付の図面に関連して以下に記載される詳細な説明は、様々な可能な構成の説明として意図されており、本明細書で説明される概念が実施される唯一の構成を表すことを意図していない。詳細な説明は、様々な概念の完全な理解を提供する目的で、特定の詳細を含む。しかしながら、これらの概念は、これらの特定の詳細なしに実施されてもよいことは当業者には明らかである。いくつかの例では、周知の構造およびコンポーネントは、そのような概念を曖昧にすることを回避するために、ブロック図形式で示される。

ここで、様々な装置および方法を参照して、輸送サービスを提供するいくつかの態様を提示する。装置および方法は、以下の詳細な説明で説明され、様々なブロック、コンポーネント、回路、プロセス、アルゴリズムなど（まとめて「要素」と呼ばれる）によって添付の図面に示される。これらの要素は、電子ハードウェア、コンピュータソフトウェア、またはそれらの任意の組合せを使用して実装される。このような要素がハードウェアとして実装されるかソフトウェアとして実装されるかは、システム全体に課される特定のアプリケーションおよび設計上の制約に依存する。

例として、要素、または要素の任意の部分、または要素の任意の組合せは、１つまたは複数のプロセッサを含む「処理システム」として実装される。プロセッサの例には、マイクロプロセッサ、マイクロコントローラー、グラフィックス処理ユニット（ＧＰＵ）、中央処理ユニット（ＣＰＵ）、アプリケーションプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、縮小命令セットコンピューティング（ＲＩＳＣ）プロセッサ、システムオンチップ（ＳｏＣ）、ベースバンドプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理デバイス（ＰＬＤ）、ステートマシン、ゲート論理、ディスクリートハードウェア回路、および本明細書全体にわたって説明される様々な機能を実行するように構成された他の適切なハードウェアが含まれる。処理システム内の一つまたは複数のプロセッサは、ソフトウェアを実行する。ソフトウェアとは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語などと称されるか否かにかかわらず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアコンポーネント、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能物、実行のスレッド、プロシージャ―、ファンクション（機能）などを意味すると広く解釈される。

したがって、１つまたは複数の例示的な実施形態では、説明されたファンクションは、ハードウェア、ソフトウェア、またはそれらの任意の組合せで実装される。ソフトウェアで実施される場合、ファンクションは、コンピュータ可読媒体上の１つまたは複数の命令またはコードとして保存され、またはエンコードされる。コンピュータ可読媒体は、コンピュータ記憶媒体を含む。記憶媒体は、コンピュータによってアクセスされることができる任意の利用可能な媒体であってもよい。特に限定されないが、一例として、このようなコンピュータ可読媒体は、ランダムアクセスメモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ）、光ディスク記憶装置、磁気ディスク記憶装置、他の磁気記憶装置、前述の種類のコンピュータ可読媒体の組み合わせ、またはコンピュータによってアクセス可能な命令またはデータ構造の形成でコンピュータ実行可能コードを記憶するために使用することができる他の任意の媒体を含む。

図１は、輸送サービス取引の一例を示す図１００である。この例では、クライアントは、ＰＯＩ１０２で、乗客１０４をピックアップするかまたはドロップオフするようにサービスプロバイダ１０６に要求する。いくつかの実施形態では、クライアントは、乗客１０４である。ＰＯＩ１０２は、広い面積を占有する。したがって、輸送サービス取引を容易にするために、正確な輸送サービスの場所１０８を決定する必要がある。

ピックアップ、ドロップオフ、および配達のための正確なサービスの場所を理解することは、タクシー配車サービス（ride-hailing service）および配達サービスにとって重要である。ほとんどのマッピング解決策はＰＯＩ情報を有するが、その解決策は、様々なアクセスポイント、入口および出口などについての詳細な情報を有することはめったにない。これは、サービスの最初のマイルセグメントおよび最後のマイルセグメントを成功裏に完了するために不可欠である。この目標に向かって、機械学習ベースの解決策は、過去の予約のＧＰＳの痕跡（trail）を検索することにより、サービスの場所（例えば、地図上の緯度と経度の座標によって与えられる）を自動的に推測するために提供される。

正確なサービスの場所を推測することは、ＰＯＩのピックアップおよびドロップオフの正確な場所、したがって、ＰＯＩで出発または終了する移動に対応する移動時間を理解するのに役立つ。さらに、正確なサービスの場所を推測することは、乗客によって好まれるまたは選択される新しい場所を発見するのに役立つ。したがって、正確なサービスの場所を推測することは、移動時間のより良好な推測、ならびに乗客およびドライバの両方の経験を改善するのに役立つ。

本開示では、ＰＯＩの好ましいサービスの場所を推測する自動化された方法が提供される。従来の実装はＧＰＳプローブを広範囲に使用するが、解決策のいくつかの実施形態は、画像、ビデオ、音声、テキスト、テレマティックス、および人間のフィードバックを含む多数の信号を処理するために容易に拡張される。ほとんどの従来の方法は、ＰＯＩ推測のためにＧＰＳデータのみに依存する。しかし、解決策は、オーディオ、ビデオ、テキスト（例えば、乗客－運転手間のチャット）、およびテレマティックスログから来る様々なマルチモーダルデータを使用するために提供される。これらはすべて、サービスの場所のより正確な推測を提供するために組み合わせることができる。いくつかの実施形態では、サービスの場所の推測において不確実性が高いとき、人間のフィードバックを統合する方法が提供される。

図２は、関心地点に対する最適なサービスの場所を自動的に決定する方法のフローチャート２００である。いくつかの実施形態では、この方法は、装置（例えば、図９または図１０に示される装置９０２／９０２’）によって実行される。

２０２において、装置は、ノイズの多いＧＰＳデータをドライバアプリケーションプログラムの対話データと組み合わせて（例えば、ドライバが車両が到着したことをシステムに通知するとき、ドライバは、可能な限り正確に、この行動を実行することを強制されない）、地点を推測する。その地点は、各ドライバがそのピックアップ／ドロップオフイベントに関連付けられた各実在ＰＯＩについてピックアップ／ドロップオフイベントをトリガした地点である。

ＰＯＩの最適なサービスの場所を推測するためにドライバアプリケーションプログラムの対話からＧＰＳプローブのみに頼ることは、ドライバがいつ、どこで乗客をピックアップしたかを示すことを決定することと（不確実な行動）、固有のノイズと、ＧＰＳ信号の不確実性とのばらつきが原因で、常に信頼できるとは限らない。したがって、いくつかの実施形態では、ドライバ対話（interaction）データおよび／またはＧＰＳ信号は、追加の信号で増強される。その追加の信号は、特に限定されないが、画像、ビデオ、音声、テレマティックス、および慣性運動センサ（例えば、加速度計、ジャイロスコープなど）などを含む。

図３は、他のデータソースが輸送サービスの場所を推測するためにどのように使用されるかの一般的なフレームワークの一例を示す図３００である。この例では、これらの他のデータソースは、環境３０２と、ドライバおよび乗客の携帯電話３０４と、車両３０６とを含む。環境３０２は、（３０８で）オーディオ、ビデオ、および画像を提供する。ドライバおよび乗客の携帯電話３０４は、（３１０において）アプリケーションプログラムの対話データ、ＧＰＳデータ、慣性測定ユニット（ＩＭＵ）センサデータ、及びテキスト（例えば、乗客－運転者間のチャット）を提供する。車両３０６は、（３１２において）ドアおよびシートベルトテレマティックスデータを提供する。異なるソースからのデータは、３２０において結合されて、信号分解能を形成する。３２２において、推測された輸送サービスの場所の最終出力を取得する。

セキュリティ上の懸念に対処し、乗車後の紛争を解決するために、対面カメラおよびマイクロフォンは、データを記録し、事後の分析を実行するために使用されている。しかしながら、このデータは、他の目的を果たすために、より積極的に使用される。いくつかの実施形態では、顔検出および／または認識システムを装備した対面ダッシュボードカメラを使用して、車内の顔を検出し、乗客が乗車し、降車したときを検出し、記録する。アルゴリズムが客室内の新しい顔を検出すると、これは新しい乗車の開始を示すことができる。同様に、以前に検出された顔がないことは、乗車の終わりを示すことができる。時間の瞬間とこれらのイベントに対応するＧＰＳ信号を組み合わせて、最適なサービスの場所と移動の継続時間を推測し、改善（refine）することができる。

典型的には、タクシー配車旅行（journey）は、ドライバと乗客が互いに挨拶すること、ドライバが乗客の名前と目的地を確認すること、乗客が詳細を同意することで始まる。これは、固有のオーディオシグネチャを有するドア閉鎖と同時に起こる。いくつかの実施形態では、これらの信号を分析することによって、オーディオシグネチャを導出して、そのようなオーディオ信号の正規化形式（パーソナルアシスタントで使用されるウェイクワードに類似する）を作成する。これらの信号は、ＧＰＳデータと組み合わせて、正確なサービスの場所を特定するために使用される。

長年にわたり、車内のテレマティックスセンサは、車で起こる活動の正確さと受信地域（coverage）の両方において、大幅に改善されてきた。テレマティックセンサは、オンボードＧＰＳ（典型的には、電話ＧＰＳ受信機よりも正確）、リアドアに取り付けられたセンサ、加速度、ブレーキ、チャイルドセーフティロック、ワイパなどを含む。タクシー配車シナリオでは、ドライバが連続的に乗車のシーケンスを提供する。その場合、リアドアおよびトランクドアの開閉は、乗客が乗車または降車していることを示す。いくつかの実施形態では、記録されたＧＰＳ信号と関連して、（テレマティックスセンサ信号によって示されるように）これらの活動のタイムスタンプを使用して、サービスの場所をより正確に推測する。

いくつかの実施形態では、ピックアップの場所の画像およびビデオは、ＰＯＩ内の正確な場所を絞り込むために、街の画像の既存のデータベースと照合される。これは、主に、ＧＰＳ信号にノイズが多く、不明瞭な場合、特に、屋内のピックアップエリアで役立つ。

乗客はしばしば、ピックアップまたはドロップオフのいずれかの場所のピンを選択するために地図を使用する（interact）。これらの「マニュアルピン」は、通常、乗客がピックアップポイントを近くに見つけない場合に使用される。いくつかの実施形態では、（教師なし機械学習）クラスタリングアルゴリズムが時間集約されたマニュアルピンにわたって適用される場合、使用パターンが明らかになる。これは、次に、新しいＰＯＩを作成するために使用されることができる。これは、より完全なマッピングによって固定することができるＰＯＩデータベース内の潜在的なブラインドスポットをさらに識別する。

乗客はしばしば、ＰＯＩに関する追加情報を提供するために、タクシー配車アプリケーションプログラム内でテキスト会話を使用する。例えば、乗客は、「３とマークされた柱で待っている」と言うかもしれない。いくつかの実施形態では、ＰＯＩおよび予約に関連してチャットログを検索することは、ＰＯＩに関する追加の属性を明らかにし、新しいＰＯＩを作成することを潜在的に助ける。

図２に戻って参照すると、２０４において、装置は、過度にノイズの多いＧＰＳおよび／または間違ったドライバ対話のために、データの異常値をフィルタする。

２０６で、装置は、クラスタリングアルゴリズムを使用して、それぞれ関連する実在ＰＯＩにそのようなピックアップ／ドロップオフ地点を一緒にクラスタ化する。アルゴリズムのパラメータは、各ＰＯＩのポイントデータセットの構造に応じて動的に調整される。

いくつかの実施形態では、クラスタリングアルゴリズムは、いくつかのパラメータ（例えば、地点から近傍の最大半径、および所望の最小クラスタサイズ）を含む。通常、各ＰＯＩでのピックアップ信号（ドライバがボタンを押すことに対応するＧＰＳ位置）の分配は大きく異なる。人気のある場所は、密度が高く、発生の分散が大きい。一方、あまり知られていない場所（例えば、住宅用ＰＯＩ）は、まばらな集中発生を有する傾向がある。したがって、クラスタリングパラメータの固定値は、すべての場合に機能するわけではない。クラスタリングパラメータに対する控えめな（conservative）値は、同じＰＯＩに対して必要以上の数のクラスタを生成する傾向がある。一方、これらのパラメータを緩和すると、必要なクラスタを統合し、さらに、異常値（outliers）を効果的に除去することができない。したがって、最終結果に悪影響を及ぼす。

図４は、ある固定クラスタリングパラメータを用いた１ＫサンプルにおけるＰＯＩのクラスタリング結果の一例を示す図４００である。図示のように、クラスタリングは、２つのクラスタ４０２および４０６を生じる。

図５は、同じ固定クラスタリングパラメータを使用した、２０Ｋサンプル（例えば、１ヶ月のデータセット）における、図４において上述したＰＯＩのクラスタリング結果の一例を示す図５００である。図示のように、クラスタリングアルゴリズムがすべての地点を一緒に結合したので、クラスタリングは１つのクラスタ５０２のみを生じる。

いくつかの実施形態では、クラスタリングアルゴリズムに関して上述した問題に対処するために、パラメータを設定および調整する２段階プロセスが提供される。第１のステップの間、クラスタリングパラメータ（例えば、地点からの近傍の最大半径）は、全ての実験において初期値に固定される。別のパラメータ（例えば、所望の最小クラスタサイズ）は、ＰＯＩについて観察された地点の密度に基づいて設定される。クラスタリングアルゴリズムが失敗した場合（すなわち、有効なクラスタに戻らない場合）、クラスタリングパラメータは、観測値に調整するために、動的に調整される（例えば、徐々に緩和される）。いくつかの実施形態では、数回の連続した試みのみがこの調整のために許可される。そして、最大数の試みが使い果たされた後でさえ、クラスタリングが失敗した場合、「クラスタが見つからない」ことが報告される。

いくつかの実施形態では、クラスタリングアルゴリズムに関して上述した問題に対処するために、クラスタリングパラメータの値を自動的に選択する。クラスタリングパラメータは、異なるデータセットサイズに再調整する必要がある。これは、クラスタリングされるＰＯＩの人気と、使用されるデータのスナップショットの期間に依存する。いくつかの実施形態では、点密度（例えば、ｋ最近傍アルゴリズム（ｋ-ＮＮ）距離）を近似するためにヒューリスティック（heuristics）を使用することによって、各ＰＯＩについての適切なクラスタリングパラメータを自動的に決定することができる。これは、クラスタリングパイプラインで実施される。特定のＰＯＩについてのデータセットのサイズが増加することにつれて、ボタンを押すと、ストリートネットワークを「マッピング」し始める。この手段は、以前は別個であったクラスタがこれらの偽（spurious）データ地点によって「ブリッジ」されることを意味する。

このために、いくつかの実施形態では、ＰＯＩ内の各点について、そのｋ個の最も近い隣接点までの平均距離を測定する。次いで、クラスタリングパラメータは、このｋ－ＮＮ距離分布のいくつかの百分位数（percentile）ｐになるように設定される。例えば、いくつかの実施形態では、ｋ＝３、４、または５など、およびｐ＝９０％、９５％、または９９％などである。ｐを高く設定すると、より多くの「包括的」（したがって、より少ない）クラスタが可能になる。いくつかの実施形態では、よりまばらなデータセット上の過度に大きなクラスタを回避するために、クラスタリングパラメータ上の極大値キャップを設定する。

図６は、ＰＯＩに対する５－ＮＮ距離（ｋｍ単位）の累積分布関数（ＣＤＦ）の例を示すチャート６００である。図示のように、地点の約８０％は、その隣接点の１ｍ以内にある。さらに、地点の９９％は、その隣接点の１４ｍ以内にある。

図７は、従来のクラスタリングアルゴリズムの問題に対処するために、上述した方法を使用する、図４および図５において上述したＰＯＩのクラスタリング結果の一例を示す図７００である。図示のように、５つのクラスタ７０２、７０４、７０６、７０８、７１０が特定される。

図２に戻って参照すると、２０８で、装置は、そのＰＯＩの適切なピックアップ／ドロップオフ地点として、各クラスタの集合地点または代表地点を推測する。いくつかの実施形態では、クラスタの集合地点または代表地点は、クラスタについて推測された最も密度の高い地点である。いくつかの実施形態では、推測された地点は、さらなる分析、人間の検証のために、または適切な地点についてＰＯＩの現在のデータベースを直接更新するために、記憶される。

いくつかの実施形態は、バッチで入力データ（例えば、１週間または１ヶ月にわたって蓄積されたデータ）を取得し、それらをバッチで処理し、出力最適サービスの場所を生成または更新して、定期的に実行される。しかしながら、このように実行することは、必然的に変化の遅延につながる。プロセスは、再処理の前に、データが蓄積されるのを１週間／１月間待つことを要求する。さらに、データはバッチとして処理されるので、プロセスは、処理するために計算的で集中的なおよび／または長い継続時間を必要とする。

いくつかの実施形態は、（「バッチ学習」の代わりに）「オンライン／漸次的学習」を実行する。したがって、これらの課題を解決する。事実上、学習アルゴリズムは、システムがこれまでに学習した全ての「古いデータ」の「既存のメモリ」と組み合わされた「新しいデータ地点」の小さなバッチのみを受信することによって、最適なサービスの場所を更新するようにリファクタリングされる。極端な場合には、更新が受信される各単一の新しいデータ地点で計算される。

これにより、システムは、計算的で効率的な方法で、変化する条件（例えば、既存の道路における予期せぬ閉鎖または入口の再配置）に対して、より迅速かつ素早く反応することができる。他の特定の場合において、これはまた、異常のフラグを立てることができる。例えば、異常は、人気のある目的地の名前を有するが、いくつかのマニュアル（挿入／削除）エラーのために、著しく移動したサービスの場所である。例えば、クラスタリングアルゴリズムは、臨機応変に受信される漸進的変化を可能にするように修正される。

図２に戻って参照すると、２１０において、装置は、そのような地点の人間の検証データをモデルに保存し、フィードバックして、クラスタリングアルゴリズムを改良するのを補助する。いくつかの実施形態は、人間の入力を有さず、純粋に「機械的に」実行される。しかしながら、人間の専門知識は、特に、非常に文脈的、時間的、または行動的な側面において、依然として明らかに価値がある。いくつかの実施形態は、サービスの場所のデータをキュレーションすることに専念する人間の専門家チームを有するが、上述の方法はプロセスの大部分を自動化するのに役立ち、人間のチームが自分の作業を実行する能力および速度を増大させることを意図している。

通常、このような作業ダイナミックは、結果を「盲目的に」処理し、出力するために自動化されたシステムを必要とする。それによって、人間のチームは、必要に応じて、評価し、および／または修正する。いくつかの実施形態では、このワークフローに対する改善は、（人間のチームが最も「重要な修正」に優先順位を付けるように）何らかの方法で評価のための結果を「ランク付け」する工程、および／または、通常はアルゴリズム／システムを作成または維持するチームによって、システムを改善するために何らかの方法で結果をフィードバックする工程のいずれかを含む。

この機械支援による人間のキュレーションのパラダイムに対する非自明な改善は、「能動的学習」を含む。本質的に、いくつかの実施形態のシステムは、後続のタスクについてそれ自体を改善することを目的としながら、それが解決しようと試みた特定のクラスタリングタスクを選択し、その解が「正しい」かどうかを人間の専門家に「尋ねる」際にアクティブである。

いくつかの実施形態では、能動的学習システムは、これらの工程を実行する。
１．ベースラインモデルおよびパラメータのセットが与えられると、データのいくつかについて最適なサービスの場所を見つける。すべての既存データが利用可能である必要はなく、サブセットが実行する。簡潔さのために、これらの出力最適点は、「解決策案」と呼ばれる。
２．どの解決策案がフィードバックのために人間の専門家に示されるべきかを評価する。これは、次のようになされる。
ａ．まず、これらのメトリック（metric）のいずれかを測定する。
・解決策案の正確さの不確実性。例えば、アルゴリズムは、その推測が誤っている可能性があり、それを訂正するために人間の専門家を必要とすると判断する。
・潜在的な人間の専門家の答えの情報性。例えば、アルゴリズムは、解決策案に対する人間の答えが、可能な限り少ない反復でモデルの全体的な正しさを改善する最高の可能性を有すると判断する。
・このデータ地点の重要性。例えば、この場所を正しく取得することは、それが高価値ＰＯＩであるために重要である。
・上記の適切なバランス。
ｂ．次に、（２ａ）のメトリック上で高くランク付けされた解決策を示す。
３．（２ｂ）における優先順位付けされた解決策は、（例えば、コンピューターダッシュボードまたは他の適切な人間－コンピューターインターフェースを介して）人間の専門家に示される。次いで、人間の専門家は、グラウンドトゥルース（例えば、最適なサービスの場所が実際に人間の専門家によって判断される）として「正解」を提供する。
４．人間の専門家の判断は、システムにフィードバックされる。そして、モデルパラメータは、自動的に微調整されて、人間が提供するグラウンドトゥルース回答に対するそれ自体のエラーを低減する。
５．新たに微調整されたモデルとパラメータで、および、データの完全に異なるサブセットまたは以前に使用したいくつかのデータのいずれかで、工程１から繰り返す。

したがって、キュレートされたサービスの場所の品質は、実施例が人間のフィードバックのためにランダムに示された場合よりも、より速い速度で、より少ない人間の対話で改善する。なぜなら、人間の専門家は、最も必要とされるより有益な回答を提供することに努力を費やすために必要とされるだけだからである。

本開示はタクシー配車に焦点を当てているが、当業者であれば、本開示に記載された技術は食品または商品アイテムのようなアイテムの収集および配送のような他のアプリケーションに一般化されてもよいことを認識する。これらの場合、同じ方法を使用して、サービスの場所（すなわち、ピックアップの場所、駐車の場所、およびアイテム配送の場所など）を推測する。

いくつかの実施形態では、ＰＯＩのために推測される最適な輸送サービスの場所は、自動化された車両（自動運転車とも呼ばれる）に提供される。自動運転車は、本開示に記載される様々な利点を達成するために、最適な輸送サービスの場所に基づいて、ＰＯＩにおいて輸送／配送サービスを提供する。

図８は、輸送サービスの方法のフローチャート８００である。いくつかの実施形態では、この方法は、装置（例えば、図９または図１０に示される装置９０２／９０２’）によって実行される。いくつかの実施形態では、方法によって実行される動作は、図２を参照して、上述した動作に対応する。

８０２において、装置は、実在関心地点に関連付けられた複数の輸送サービス取引を受信する。いくつかの実施形態では、輸送サービス取引は、クライアントの要求に応じて、サービスプロバイダによって、１人または複数の人物または１つまたは複数のアイテムをピックアップまたはドロップオフすることを含む。

８０４において、複数の輸送サービス取引のうちの各輸送サービス取引について、装置は、輸送サービス取引が実行される輸送サービスの場所を決定する。いくつかの実施形態では、輸送サービスの場所は、ピックアップの場所、ドロップオフの場所、または配達の場所のうちの１つである。

いくつかの実施形態では、輸送サービスの場所は、ＧＰＳデータおよびプロバイダアプリケーションソフトウェアの対話データに基づいて決定される。いくつかの実施形態では、輸送サービスの場所は、輸送サービスの場所の画像、輸送サービスの場所のビデオ、テレマティックスデータ、オーディオ信号、ダッシュボードカメラ出力、クライアント対話、またはチャットログのうちの少なくとも１つに基づいて決定される。

８０６において、装置は、複数の輸送サービス取引について決定された輸送サービスの場所をクラスタ化する。いくつかの実施形態では、輸送サービスの場所をクラスタ化するために、装置は、クラスタリングパラメータを反復的に緩和する。そのような実施形態では、クラスタリングパラメータは、最大近傍半径と、有効クラスタを形成するために必要な地点の最小数（minimum number of points）とを含む。

いくつかの実施形態では、輸送サービスの場所をクラスタ化するために、複数の輸送サービスの場所の各輸送サービスの場所について、装置は、輸送サービスの場所のｋ個の最近傍までの平均距離を測定する。装置は、ｋ個の最近傍距離分布の百分位数になるように、クラスタリングの最大近傍半径を自動的に調整する。いくつかの実施形態では、ｋは３、４、または５などであり、百分位数は９０％、９５％、９９％などである。

８０８において、装置は、クラスタリングに基づいて、実在関心地点のための１つまたは複数の輸送サービスの場所の候補を決定する。

８１０において、装置は、実在関心地点において実行されるべき輸送サービス取引に関連付けられたクライアントまたはサービスプロバイダに、１つまたは複数の輸送サービスの場所の候補を提供する。

いくつかの実施形態では、装置は、人間のフィードバックを求めるために解決策案をさらに選択する。装置は、人間のフィードバックに基づいて、１つまたは複数の輸送サービスの場所の候補を改善する。

いくつかの実施形態では、装置は、実在関心地点に関連付けられた第２の複数の輸送サービス取引を受信する。第２の複数の輸送サービス取引は、最新の取引である。装置は、第２の複数の輸送サービス取引に基づいて、１つまたは複数の輸送サービスの場所の候補を更新する。

図９は、例示的な装置９０２における異なる手段／コンポーネント間のデータフローを示す概念的なデータフロー図９００である。装置９０２は、コンピューティングデバイス、または複数のコンピューティングデバイスを含むシステムである。

装置９０２は、マルチモーダルデータに基づいて、ＰＯＩのための輸送サービスの場所を決定するロケーション決定コンポーネント９０４を含む。一実施形態では、ロケーション決定コンポーネント９０４は、図２の２０２または図８の８０４を参照して、上述した動作を実行する。

装置９０２は、ロケーション決定コンポーネント９０４によって提供される輸送サービスの場所をクラスタ化するクラスタリングコンポーネント９０６を含む。一実施形態では、クラスタリングコンポーネント９０６は、図２の２０６または図８の８０６を参照して、上述した動作を実行する。

装置９０２は、クラスタリングコンポーネント９０６によって取得されたクラスタに基づいて、ＰＯＩについての輸送サービスの場所の候補を決定するロケーション最適化コンポーネント９０８を含む。一実施形態では、ロケーション最適化コンポーネント９０８は、図２の２０８または図８の８０８を参照して、上述した動作を実行する。

装置９０２は、図２および図８の前述のフローチャートにおけるアルゴリズムの各ブロックを実行する追加のコンポーネントを含む。したがって、図２および図８の前述のフローチャートにおける各ブロックは、コンポーネントによって実行されてもよく、装置はそれらのコンポーネントのうちの１つまたは複数を含んでもよい。コンポーネントは、記載されたプロセス／アルゴリズムを実行するように具体的に構成された１つまたは複数のハードウェアコンポーネント、記載されたプロセス／アルゴリズムを実行するように構成されたプロセッサによって実装された１つまたは複数のハードウェアコンポーネント、プロセッサによる実装のためにコンピュータ可読媒体内に格納された１つまたは複数のハードウェアコンポーネント、またはそれらの組み合わせであってもよい。

図１０は、処理システム１０１４を使用する装置９０２’のためのハードウェア実装の一例を示す図１０００である。いくつかの実施形態では、装置９０２’は、図９を参照して、上述した装置９０２であってもよい。装置９０２’は、１つまたは複数のコンピューティングデバイスを含む。処理システム１０１４は、バス１０２４によって一般に表されるバスアーキテクチャによって実現される。バス１０２４は、処理システム１０１４の特定の用途および全体的な設計制約に応じて、任意の数の相互接続バスおよびブリッジを含む。バス１０２４は、様々な回路を一緒にリンクする。その回路は、プロセッサ１００４、コンポーネント９０４、９０６、９０８、およびコンピュータ可読媒体／メモリ１００６によって表される、１つまたは複数のプロセッサおよび／またはハードウェアコンポーネントを含む。バス１０２４はまた、当技術分野で周知である種々の他の回路（例えば、タイミングソース、周辺装置、電圧レギュレータ、および電力管理回路など）をリンクする。したがって、これ以上の説明は省略する。

処理システム１０１４は、コンピュータ可読媒体／メモリ１００６に結合されたプロセッサ１００４を含む。プロセッサ１００４は、コンピュータ可読媒体／メモリ１００６上に記憶されたソフトウェアの実行を含む、一般的な処理に責任を負う。ソフトウェアは、プロセッサ１００４によって実行されると、処理システム１０１４に、任意の特定の装置について上述した様々な機能を実行させる。コンピュータ可読媒体／メモリ１００６はまた、ソフトウェアを実行するときに、プロセッサ１００４によって操作されるデータを保存するために使用されてもよい。処理システム１０１４は、コンポーネント９０４、９０６、９０８のうちの少なくとも１つをさらに含む。コンポーネントは、プロセッサ１００４内で実行するソフトウェアコンポーネント、コンピュータ可読媒体／メモリ１００６内に常駐／格納されるソフトウェアコンポーネント、プロセッサ１００４に結合される１つまたは複数のハードウェアコンポーネント、またはそれらの組み合わせであってもよい。

以下では、本開示の様々な態様が例示される。

実施例１は、輸送サービスのための方法、装置、またはコンピュータプログラムである。装置は、実在関心地点に関連付けられた複数の輸送サービス取引を受信し、複数の輸送サービス取引のうちの各輸送サービス取引について、輸送サービス取引が実行される輸送サービスの場所を決定し、複数の輸送サービス取引について決定された輸送サービスの場所をクラスタ化し、クラスタリングに基づいて、実在関心地点のための１つまたは複数の輸送サービスの場所の候補を決定し、実在関心地点で実行されるべき輸送サービス取引に関連するクライアントまたはサービスプロバイダに、１つまたは複数の輸送サービの場所の候補を提供する。

実施例２において、実施例１の主題は、輸送サービスの場所がピックアップの場所、ドロップオフの場所、または配達の場所のうちの１つであってもよいことを任意選択で含む。輸送サービス取引は、クライアントの要求に応じてサービスプロバイダによって１人または複数の人物、または、１つまたは複数のアイテムをピックアップまたはドロップオフすることを含んでいてもよい。

実施例３において、実施例１または２の主題は、輸送サービスの場所がＧＰＳデータおよびプロバイダアプリケーションソフトウェアの対話データに基づいて決定されることを任意選択で含む。

実施例４において、実施例１～３のいずれか１つの主題は、輸送サービスの場所が輸送サービスの場所の画像、輸送サービスの場所のビデオ、テレマティックスデータ、オーディオ信号、ダッシュボードカメラ出力、クライアント対話、またはチャットログのうちの少なくとも１つに基づいて決定されることを任意選択で含む。

実施例５において、実施例１～４のいずれか１つの主題は、装置が人間のフィードバックを求めるために提案された解決策を選択し、人間のフィードバックに基づいて１つまたは複数の輸送サービスの場所の候補を改善することを任意選択で含む。

実施例６において、実施例１～５のいずれか１つの主題は、輸送サービスの場所をクラスタ化するために、装置がクラスタリングパラメータを動的に調整することを任意選択で含む。

実施例７において、実施例６の主題は、スタリングパラメーターがクラスタを形成するのに必要な最大近傍半径および最小数の地点を含むことを任意選択で含む。

実施例８において、実施例１～７のいずれか１つの主題は、輸送サービスの場所をクラスタ化するために、装置が輸送サービスの場所のうちの各輸送サービスの場所について、輸送サービスの場所の点密度分布を近似し、近似点密度分布に基づいてクラスタリングの最大近傍半径を自動的に調整することを任意選択で含む。

実施例９において、実施例８の主題は、ｋが２～１０の整数であってもよく、百分位数が９０％～９９．９％であってもよいことを任意に含む。

実施例１０において、実施例１～９のいずれか１つの主題は、装置が実在関心地点に関連付けられた第２の複数の輸送サービス取引を受信し、第２の複数の輸送サービス取引に基づいて１つまたは複数の輸送サービスの場所の候補を更新することを任意選択で含む。

当業者であれば、本明細書で使用される用語は、様々な実施形態を説明することのみを目的としており、本発明を限定することを意図していないことを理解する。本明細書で使用されるように、単数形「ａ」、「ａｎ」および「ｔｈｅ」は、文脈が明確に示さない限り、複数形も含むことが意図される。用語「備える」および／または「含む」は、本明細書で使用される場合、述べられた特徴、整数、工程、操作、要素、および／またはコンポーネントの存在を指定するが、１つまたは複数の他の特徴、整数、工程、操作、要素、コンポーネント、および／またはそれらのグループの存在または追加を排除しないことがさらに理解される。

開示されたプロセス／フローチャートにおけるブロックの特定の順序または階層は、例示的なアプローチの例であることが理解される。設計選好に基づいて、プロセス／フローチャートにおけるブロックの特定の順序または階層が再配置されることが理解される。また、いくつかのブロックを組み合わせてもよいし、省略してもよい。添付の方法クレームは、様々なブロックの要素をサンプル順序で提示し、特定の順序または階層に限定されることを意味しない。

前述の説明は、当業者が本明細書で説明される様々な態様を実施することを可能にするために提供される。これらの態様に対する様々な修正は、当業者には容易に明らかである。本明細書で定義される一般的な原理は、他の態様に適用される。したがって、特許請求の範囲は、本明細書に示される態様に限定されるものではなく、文言上特許請求の範囲に一致する全範囲で与えられることを意図するものである。単数形における要素への言及、そのように具体的に記載されない限り、「１つおよび１つのみ」を意味するものではなく、むしろ「１つまたは複数」を意味するものである。「例示的」という語は、本明細書において、「実施例、例、または例示として機能する」ことを意味するために使用される。「例示的」として本明細書に記載される任意の態様は、必ずしも、他の態様よりも好ましいまたは有利であると解釈されるものではない。特に明記されない限り、「いくつか」という語は、１つまたは複数に言及する。「Ａ、ＢまたはＣのうちの少なくとも１つ」、「Ａ、ＢまたはＣのうちの１つまたは複数」、「Ａ、ＢおよびＣのうちの少なくとも１つ」、「Ａ、ＢおよびＣのうちの１つまたは複数」、および「Ａ、Ｂ、Ｃまたはその任意の組み合わせ」のような任意の組み合わせは、Ａ、Ｂおよび／またはＣの任意の組み合わせを含み、Ａの倍数、Ｂの倍数、またはＣの倍数を含む。具体的に、「Ａ、ＢまたはＣの少なくとも１つ」、「Ａ、ＢまたはＣの１つまたは複数」、「Ａ、ＢおよびＣの少なくとも１つ」、「Ａ、ＢおよびＣの１つまたは複数」、および「Ａ、Ｂ、Ｃまたはそれらの任意の組み合わせ」などの組み合わせは、Ａのみ、Ｂのみ、Ｃのみ、ＡおよびＢ、ＡおよびＣ、ＢおよびＣ、または、ＡおよびＢおよびＣであってもよい。このような組み合わせは、Ａ、ＢまたはＣの１つまたは複数のメンバーまたはＡ、ＢまたはＣのメンバーを含む。当業者に知られているまたは後に知られる本開示全体にわたって記載されている種々の態様の要素に対する全ての構造的および機能的な等価物は、参照によって本明細書に明確に組み込まれ、特許請求の範囲に含まれることが意図される。さらに、本明細書に開示されたものは、そのような開示が特許請求の範囲に明示的に記載されているかどうかにかかわらず、一般に専用であることを意図するものではない。「モジュール」、「機構」、「要素」、「装置」等の用語は、「ミーンズ（手段）」という語の代わりとならない。したがって、当該要素が「ミーンズ」という語句を用いて明示的に記載されない限り、特許請求の範囲の要素は、ミーンズプラスファンクションとして解釈されない。

Claims (15)

1. 少なくとも１つのプロセッサを含む装置によって実行される輸送サービスの方法であって、
   実在関心地点に関連付けられた複数の輸送サービス取引の情報を受信する工程と、
   前記複数の輸送サービス取引の各輸送サービス取引について、前記輸送サービス取引が実行される、前記実在関心地点での輸送サービスの場所を決定する工程と、
   最大近傍半径を含む複数のクラスタリングパラメータを使用して、前記複数の輸送サービス取引について決定された、前記実在関心地点での前記輸送サービスの場所をクラスタ化する工程と、
   前記輸送サービスの場所を前記クラスタ化する工程の結果から推測される最も密度の高い地点に基づいて前記実在関心地点での１つまたは複数の輸送サービスの場所の候補を決定する工程と、
   前記実在関心地点において実行されるべき輸送サービス取引と関連付けられたクライアントまたはサービスプロバイダに、前記実在関心地点での前記１つまたは複数の輸送サービスの場所の候補を提供する工程と、を含み、
   前記輸送サービスの場所をクラスタ化する工程は、
   前記輸送サービスの場所のそれぞれについて、前記輸送サービスの場所の点密度分布を近似する工程と、
   前記輸送サービスの場所をクラスタ化する工程の前記結果を推測するために、前記近似された点密度分布に基づいて、前記クラスタ化する工程の前記最大近傍半径を自動的に調整する工程と、を含み、
   前記輸送サービスの場所を決定する工程は、前記サービスプロバイダおよび前記クライアントのアプリケーションプログラムからの、ＧＰＳデータと、プロバイダアプリケーションソフトウェアの前記クライアントと前記サービスプロバイダとの間の対話データとに基づいていることを特徴とする輸送サービスの方法。
2. 前記輸送サービスの場所は、ピックアップの場所、ドロップオフの場所、または配達の場所のうちの１つであり、
   前記輸送サービス取引は、前記クライアントの要求に応じて前記サービスプロバイダによって１人または複数の人物、または、１つまたは複数のアイテムをピックアップまたはドロップオフする工程を含む請求項１に記載の方法。
3. 前記輸送サービスの場所は、前記輸送サービスの場所の画像、前記輸送サービスの場所のビデオ、テレマティックスデータ、オーディオ信号、ダッシュボードカメラ出力、またはチャットログのうちの少なくとも１つに基づいて決定される請求項１または２に記載の方法。
4. 人間のフィードバックを求めるために解決策案を選択する工程と、
   前記人間の前記フィードバックに基づいて前記１つまたは複数の輸送サービスの場所の候補を改善する工程と、をさらに含む請求項１ないし３のいずれかに記載の方法。
5. 前記輸送サービスの場所をクラスタ化する工程は、前記複数のクラスタリングパラメータを動的に調整する工程を含み、
   前記複数のクラスタリングパラメータのうちの１つのパラメータは、クラスタを形成するのに必要とされる最小数の地点を含む請求項１ないし４のいずれかに記載の方法。
6. 前記輸送サービスの場所をクラスタ化する工程は、
   前記輸送サービスの場所について、前記輸送サービスの場所のｋ個の最近傍までの平均距離を測定する工程と、
   前記ｋ個の最近傍の距離をパーセンタイルで表すように、前記クラスタ化する工程の前記最大近傍半径を自動的に調整する工程と、を含み、
   前記ｋは、２～１０の整数であり、
   前記パーセンタイルは、９０～９９．９％である請求項１ないし５のいずれかに記載の方法。
7. 前記実在関心地点に関連付けられた第２の複数の輸送サービス取引の情報を受信する工程と、
   前記第２の複数の輸送サービス取引に基づいて、前記１つまたは複数の輸送サービスの場所の候補を更新する工程と、をさらに含む請求項１ないし６のいずれかに記載の方法。
8. 少なくとも１つのメモリと、
   前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサと、を含む輸送サービスのための装置であって、
   前記少なくとも１つのプロセッサは、
   実在関心地点に関連付けられた複数の輸送サービス取引の情報を受信し、
   前記複数の輸送サービス取引の各輸送サービス取引について、前記輸送サービス取引が実行される、前記実在関心地点での輸送サービスの場所を決定し、
   最大近傍半径を含む複数のクラスタリングパラメータを使用して、前記複数の輸送サービス取引について決定された、前記実在関心地点での前記輸送サービスの場所をクラスタ化し、
   前記輸送サービスの場所を前記クラスタ化する結果から推測される最も密度の高い地点に基づいて、前記実在関心地点での１つまたは複数の輸送サービスの場所の候補を決定し、
   前記実在関心地点において実行されるべき輸送サービス取引と関連付けられたクライアントまたはサービスプロバイダに、前記実在関心地点での前記１つまたは複数の輸送サービスの場所の候補を提供するように構成され、
   前記輸送サービスの場所をクラスタ化するために、前記少なくとも１つのプロセッサは、
   前記輸送サービスの場所のそれぞれについて、前記輸送サービスの場所の点密度分布を近似し、
   前記輸送サービスの場所をクラスタ化する前記結果を推測するために、前記近似された点密度分布に基づいて、前記クラスタ化の前記最大近傍半径を自動的に調整するように構成され、
   前記輸送サービスの場所は、前記サービスプロバイダおよび前記クライアントのアプリケーションプログラムからの、ＧＰＳデータと、プロバイダアプリケーションソフトウェアの前記クライアントと前記サービスプロバイダとの間の対話データとに基づいて決定されることを特徴とする装置。
9. 前記輸送サービスの場所は、ピックアップの場所、ドロップの場所、または配達の場所のうちの１つであり、
   前記輸送サービス取引は、前記クライアントの要求に応じて前記サービスプロバイダによって１人または複数の人物、または、１つまたは複数のアイテムをピックアップまたはドロップオフすることを含む請求項８に記載の装置。
10. 前記輸送サービスの場所は、前記輸送サービスの場所の画像、前記輸送サービスの場所のビデオ、テレマティックスデータ、オーディオ信号、ダッシュボードカメラ出力、またはチャットログのうちの少なくとも１つに基づいて決定される請求項８または９に記載の装置。
11. 前記少なくとも１つのプロセッサは、
    人間のフィードバックを求めるために解決策案を選択し、
    前記人間の前記フィードバックに基づいて前記１つまたは複数の輸送サービスの場所の候補を改善するようにさらに構成されている請求項８ないし１０のいずれかに記載の装置。
12. 前記輸送サービスの場所をクラスタ化するために、前記少なくとも１つのプロセッサは、前記複数のクラスタリングパラメータを動的に調整するように構成され、
    前記複数のクラスタリングパラメータのうちの１つのパラメータは、クラスタを形成するために必要とされる最小数の地点を含む請求項８ないし１１のいずれかに記載の装置。
13. 前記輸送サービスの場所をクラスタ化するために、前記少なくとも１つのプロセッサは、
    前記輸送サービスの場所について、前記輸送サービスの場所のｋ個の最近傍までの平均距離を測定し、
    前記ｋ個の最近傍の距離をパーセンタイルで表すように、前記クラスタ化の前記最大近傍半径を自動的に調整するように構成され、
    前記ｋは、２～１０の整数であり、
    前記パーセンタイルは、９０～９９．９％である請求項８ないし１２のいずれかに記載の装置。
14. 前記少なくとも１つのプロセッサは、
    前記実在関心地点に関連付けられた第２の複数の輸送サービス取引の情報を受信し、
    前記第２の複数の輸送サービス取引に基づいて、前記１つまたは複数の輸送サービスの場所の候補を更新するように構成されている請求項８ないし１３のいずれかに記載の装置。
15. コンピュータ実行可能コードを格納する非一時的コンピュータ可読媒体であって、
    実在関心地点に関連付けられた複数の輸送サービス取引の情報を受信し、
    前記複数の輸送サービス取引の各輸送サービス取引について、前記輸送サービス取引が実行される、前記実在関心地点での輸送サービスの場所を決定し、
    最大近傍半径を含む複数のクラスタリングパラメータを使用して、前記複数の輸送サービス取引について決定された、前記実在関心地点での前記輸送サービスの場所をクラスタ化し、
    前記輸送サービスの場所を前記クラスタ化する結果から推測される最も密度の高い地点に基づいて前記実在関心地点での１つまたは複数の輸送サービスの場所の候補を決定し、
    前記実在関心地点で実行されるべき輸送サービス取引に関連付けられたクライアントまたはサービスプロバイダに、前記実在関心地点での前記１つまたは複数の輸送サービスの場所の候補を提供するための命令を含み、
    前記輸送サービスの場所をクラスタ化するための命令は、
    前記輸送サービスの場所のそれぞれについて、前記輸送サービスの場所の点密度分布を近似する命令と、
    前記輸送サービスの場所をクラスタ化する前記結果を推測するために、前記近似された点密度分布に基づいて、前記クラスタ化の前記最大近傍半径を自動的に調整する命令と、を含み、
    前記輸送サービスの場所は、ピックアップの場所、ドロップオフの場所、または配達の場所のうちの１つであり、
    前記輸送サービス取引は、前記クライアントの要求に応じて前記サービスプロバイダによって１人または複数の人物、または１つまたは複数のアイテムをピックアップまたはドロップオフすることを含み、
    前記輸送サービスの場所を決定する命令は、前記サービスプロバイダおよび前記クライアントのアプリケーションプログラムからの、ＧＰＳデータと、プロバイダアプリケーションソフトウェアの前記クライアントと前記サービスプロバイダとの間の対話データとに基づいていることを特徴とする非一時的コンピュータ可読媒体。