KR20220131936A - 개인화된 지상 수송 처리 및 사용자 의도 예측들을 위한 시스템들 및 방법들 - Google Patents
개인화된 지상 수송 처리 및 사용자 의도 예측들을 위한 시스템들 및 방법들 Download PDFInfo
- Publication number
- KR20220131936A KR20220131936A KR1020227026936A KR20227026936A KR20220131936A KR 20220131936 A KR20220131936 A KR 20220131936A KR 1020227026936 A KR1020227026936 A KR 1020227026936A KR 20227026936 A KR20227026936 A KR 20227026936A KR 20220131936 A KR20220131936 A KR 20220131936A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- travel
- user
- destination
- intent
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 title description 10
- 230000003190 augmentative effect Effects 0.000 claims description 64
- 238000004458 analytical method Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 235000013305 food Nutrition 0.000 description 11
- 235000013353 coffee beverage Nutrition 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 235000016213 coffee Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013434 data augmentation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003442 weekly effect Effects 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0265—Vehicular advertisement
- G06Q30/0266—Vehicular advertisement based on the position of the vehicle
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/30—Transportation; Communications
-
- G06Q50/40—
-
- G06Q50/47—
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Social Psychology (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
본 개시내용은 사용자가 루트를 따라 여행하는 동안 여행 의도 또는 목적지를 예측하는 방법들 및 시스템들을 제공한다. 방법은 (a) 루트의 시작 지리적 위치 및 사용자의 아이덴티티에 관한 데이터를 수신하는 단계; (b) 사용자의 아이덴티티에 관한 데이터에 적어도 부분적으로 기초하여, 트레이닝된 분류기를 리트리브하는 단계; (c) 시작 지리적 위치에 기초하여 여행 의도 또는 목적지를 예측하기 위해 트레이닝된 분류기를 사용하는 단계; 및 (d) 사용자가 상기 루트의 적어도 일부를 따라 지상 차량 내에서 여행하는 동안, 전자 디바이스 상에 사용자에게 하나 이상의 거래 옵션을 제시하는 단계를 포함할 수 있으며, 하나 이상의 거래 옵션은 (c)에서 예측된 여행 의도 또는 목적지에 기초하여 식별된다.
Description
상호 참조
본 출원은 2020년 2월 3일자로 출원된 미국 가출원 제62/969,472호에 대한 우선권을 주장하며, 이 가출원은 그 전체가 본 명세서에 참고로 포함된다.
스마트폰들, 태블릿 컴퓨터들 및 다른 휴대용 디바이스들과 같은 모바일 컴퓨팅 디바이스들의 컴퓨팅 능력의 급속한 확장, 및 모바일 디바이스들에 대한 소프트웨어 프로그램 애플리케이션들(또는 "앱들")의 진보 및 수의 증가는 개인 생산성의 분야에서 디바이스들, 앱들 및 관련 플랫폼들에 대한 개인들의 의존성을 크게 증가시켰다. 예를 들어, 앱들은 회의들의 스케줄링, 여행 루트들의 결정, 수송 모드들의 선택, 및 다른 기능들을 위해 널리 사용된다.
피어-투-피어 자동차 공유 및 승차-호출 서비스(ride-hailing service)들(예를 들어, Uber(등록상표) 및 Lyft(등록상표))의 소비자 채택과 같은 모빌리티 서비스들의 출현 및 수락은 수송 및 모바일 애플리케이션들의 조합을 장려하였다. 차세대 모빌리티는 자율주행 및 자동화된 차량들, 전기화된 차량들, 및 온-디맨드 공유 모빌리티 및 그들이 가능하게 하는 사용 사례들에 관한 것이다. 인간의 개입 없이 동작할 수 있는 자율주행 차량들은 빠르게 개선되고 있다. 이러한 차량들이 자율주행 또는 자동화됨에 따라, 상업 및 거래 기회(transactional opportunity)들이 수송 동안 승객들 또는 사용자들에게 제시될 수 있다.
완전 자율주행 무인(pilotless) 차량들과 같은 차량들과 함께 사용하기 위한 제품들 또는 서비스들을 제공하기 위한 방법들 및 시스템들에 대한 필요성이 본 명세서에서 인식된다. 유익하게도, 이러한 제품들 또는 서비스들은 차량들의 사용자들에 대한 시간 및 자원 둘 다에서의 절감을 용이하게 할 수 있다. 그에 부가하여, 그러한 제품들 또는 서비스들을 제공하는 회사들이 차량 수송 환경 내에서 개인화된 방식으로 최종 소비자들과 더 직접 관여할 수 있게 할 수 있다.
본 개시내용은 맞춤화된 현금화 가능한 운전자 및/또는 승객 중심 서비스들로 개인화된 수송 중심 경험을 생성하기 위한 시스템들 및 방법들을 제공한다. 예를 들어, 본 개시내용의 시스템들 및 방법들은 제한된 위치 데이터에 기초하여 여행의 의도 또는 목적지를 예측하기 위해 사용되거나 구성될 수 있다. 개인화된 수송 중심 경험은 예를 들어, 자율주행 차량, 승차-호출 서비스, 차량군 기반 서비스, 미세 수송(예를 들어, 차량군 기반 수요 반응 수송), 철도 수송, 및/또는 지상 대량 수송 차량과 같은 임의의 수송 모드로 제공될 수 있다. 여행의 의도 또는 목적지는 최소의 인간 개입으로 기계 학습 시스템을 사용하여 생성, 예측, 추정 또는 결정될 수 있다. 제공된 시스템들 및 방법들은 호텔 및 접대, 식당 및 식사, 관광 및 엔터테인먼트, 헬스케어, 서비스 전달 등과 같은 산업들에서 무인(pilotless)/무인(driverless) 차량들에 대한 다양한 새로운 사용 사례들을 허용할 수 있다.
일 양태에서, 사용자가 루트를 따라 여행하는 동안 여행 의도 또는 목적지를 예측하는 방법이 제공된다. 제공된 시스템들/방법들의 사용자는 운전자, 승차-호출 서비스의 운전자와 같은 서비스 운전자, 승객, 또는 차량에 의해 수송되는 임의의 사용자일 수 있다. 방법은 (a) 루트의 시작 지리적 위치 및 사용자의 프로파일에 관한 데이터를 수신하는 단계; (b) 사용자의 프로파일에 관한 데이터에 적어도 부분적으로 기초하여, 트레이닝된 분류기(classifier)를 리트리브(retrieve)하는 단계; (c) 시작 지리적 위치에 기초하여 여행 의도 또는 목적지를 예측하기 위해 트레이닝된 분류기를 사용하는 단계; 및 (d) 사용자가 루트의 적어도 일부를 따라 차량 내에서 여행하는 동안, 하나 이상의 거래 옵션을 전자 디바이스 상에 사용자에게 제시하는 단계를 포함할 수 있으며, 하나 이상의 거래 옵션은 (c)에서 예측되는 여행 의도 또는 목적지에 기초하여 식별된다.
일부 실시예들에서, 시작 지리적 위치는 글로벌 포지셔닝 시스템(Global Positioning System; GPS) 데이터의 형태로 수신된다. 일부 실시예들에서, 시작 지리적 위치는 전자 디바이스의 지리적 위치를 부분적으로 사용하여 결정되고, 지리적 위치는 글로벌 포지션 시스템 또는 신호 삼각측량에 의해 결정된다. 일부 실시예들에서, 시작 지리적 위치는 전자 디바이스 상의 그래픽 사용자 인터페이스(graphical user interface; GUI)를 통해 사용자에 의해 입력된다.
일부 실시예들에서, 소팅되지 않은(unsorted) 지리공간 데이터(geospatial data)는 상관되지 않은(uncorrelated) GPS 데이터를 포함한다. 일부 경우들에서, 하나 이상의 트레이닝 데이터세트는 복수의 여행 데이터 레코드의 클러스터링 분석을 사용하여 획득된 라벨링된 데이터를 포함한다. 일부 경우들에서, 방법은 소팅되지 않은 또는 상관되지 않은 GPS 데이터를 하나 이상의 사람 아이덴티티와 연관시킴으로써 복수의 여행 데이터 레코드를 생성하는 단계를 더 포함한다. 일부 경우들에서, 복수의 여행 데이터 레코드는 대응하는 사람 아이덴티티의 소셜 데이터, 수송 데이터, 또는 구매 데이터에 의해 증강된다.
일부 실시예들에서, 분류기를 트레이닝하는 단계는 하나 이상의 라벨링 규칙에 기초하여 여행의 세그먼트에 대한 라벨들을 생성하는 단계를 포함한다. 일부 실시예들에서, 방법은 여행 루트의 하나 이상의 부분에 대한 수송 모드를 예측하는 단계를 더 포함한다. 일부 경우들에서, 수송 모드는 자율주행 차량, 승차-호출 서비스, 철도 수송, 및/또는 지상 대량 수송 차량을 포함한다. 일부 실시예들에서, 방법은 여행 동안 새로운 위치 데이터를 수신할 시에 여행 의도 또는 목적지를 업데이트하는 단계를 더 포함한다.
본 개시내용의 다른 양태는, 하나 이상의 컴퓨터 프로세서에 의한 실행시에, 위의 또는 본 명세서의 다른 곳의 방법들 중 임의의 방법을 구현하는 기계 실행가능 코드를 포함하는 비일시적 컴퓨터 판독가능 매체를 제공한다.
본 개시내용의 다른 양태는 사용자의 여행 의도 또는 목적지를 예측하는 시스템을 제공한다. 시스템은 하나 이상의 컴퓨터 프로세서 및 그것에 결합된 컴퓨터 메모리를 포함한다. 컴퓨터 메모리는 하나 이상의 컴퓨터 프로세서에 의한 실행 시에 위의 또는 본 명세서의 다른 곳의 방법들 중 임의의 방법을 구현하는 기계 실행가능 코드를 포함한다. 일부 실시예들에서, 하나 이상의 프로세서는 (a) 여행 루트의 시작 지리적 위치 및 사용자의 아이덴티티에 관한 데이터를 수신하고; (b) (i) 사용자의 아이덴티티에 관한 데이터 및 (ii) 소팅되지 않은 지리공간 데이터를 포함하는 하나 이상의 트레이닝 데이터세트에 적어도 부분적으로 기초하여 분류기를 트레이닝하고; (c) (b)에서 트레이닝된 분류기를 사용하여 시작 지리적 위치에 적어도 부분적으로 기초하여 여행 의도 또는 목적지를 예측하고; (d) 사용자가 여행 루트의 적어도 일부를 따라 차량 내에서 여행하고 있는 동안, 전자 디바이스 상에 하나 이상의 거래 옵션을 사용자에게 제시하기 위해 명령어들의 세트를 실행하도록 구성되고, 하나 이상의 거래 옵션은 (c)에서 예측된 여행 의도 또는 목적지에 적어도 부분적으로 기초하여 식별된다.
일부 실시예들에서, 시작 지리적 위치는 글로벌 포지셔닝 시스템(GPS) 데이터의 형태로 수신된다. 일부 실시예들에서, 시작 지리적 위치는 전자 디바이스의 지리적 위치를 부분적으로 사용하여 결정되고, 지리적 위치는 글로벌 포지션 시스템 또는 신호 삼각측량에 의해 결정된다. 일부 실시예들에서, 시작 지리적 위치는 전자 디바이스 상의 그래픽 사용자 인터페이스(GUI)를 통해 사용자에 의해 입력된다.
일부 실시예들에서, 소팅되지 않은 지리공간 데이터는 상관되지 않은 GPS 데이터를 포함한다. 일부 경우들에서, 하나 이상의 트레이닝 데이터세트는 복수의 여행 데이터 레코드의 클러스터링 분석을 사용하여 획득되는 라벨링된 데이터를 포함한다. 일부 경우들에서, 하나 이상의 프로세서는 소팅되지 않은 또는 상관되지 않은 GPS 데이터를 하나 이상의 사람 아이덴티티와 연관시킴으로써 복수의 여행 데이터 레코드를 생성하도록 추가로 구성된다. 일부 경우들에서, 복수의 여행 데이터 레코드는 대응하는 사람 아이덴티티의 소셜 데이터, 수송 데이터, 또는 구매 데이터에 의해 증강된다. 일부 실시예들에서, 하나 이상의 프로세서는 하나 이상의 라벨링 규칙에 기초하여 여행의 세그먼트에 대한 라벨들을 생성함으로써 분류기를 트레이닝하도록 구성된다. 일부 실시예들에서, 하나 이상의 프로세서는 여행 루트의 하나 이상의 부분에 대한 수송 모드를 예측하도록 추가로 구성된다. 일부 경우들에서, 수송 모드는 자율주행 차량, 승차-호출 서비스, 철도 수송, 및/또는 지상 대량 수송 차량을 포함한다. 일부 실시예들에서, 하나 이상의 프로세서는 여행 동안 새로운 위치 데이터를 수신할 시에 여행 의도 또는 목적지를 업데이트하도록 추가로 구성된다.
본 개시내용의 추가적인 양태들 및 장점들은 아래의 상세한 설명으로부터 이 분야의 기술자들에게 쉽게 명백해질 것이며, 본 개시내용의 예시적인 실시예들만이 도시되고 설명된다. 인식되듯이, 본 개시내용은 다른 그리고 상이한 실시예들이 가능하고, 그의 여러 상세는 모두 본 개시내용으로부터 벗어나지 않고 다양한 명백한 양태들에서 수정될 수 있다. 따라서, 도면들 및 설명은 사실상 예시적인 것으로 간주되며, 한정적인 것으로 간주되지 않아야 한다.
참고문헌의 포함
본 명세서에서 언급된 모든 공보, 특허, 및 특허 출원은 각각의 개별 공보, 특허, 또는 특허 출원이 참고로 포함되는 것으로 구체적으로 그리고 개별적으로 표시되는 경우와 동일한 정도로 본 명세서에 참고로 포함된다. 참고로 포함되는 공보 및 특허 또는 특허 출원이 본 명세서에 포함된 개시내용과 모순되는 한, 본 명세서는 임의의 이러한 모순되는 자료를 대체하고/하거나 이에 우선하는 것으로 의도된다.
본 발명의 새로운 특징들은 첨부된 청구항들에서 구체적으로 제시된다. 본 발명의 특징들 및 장점들의 더 양호한 이해는 본 발명의 원리들이 이용되는 예시적인 실시예들을 제시하는 아래의 상세한 설명 및 첨부 도면들(본 명세서에서 "도면" 및 "도")을 참조하여 얻어질 것이다.
도 1은 일부 실시예들에 따른, 개인 수송 관리 및 의도 예측 시스템이 동작될 수 있는 네트워크 환경의 예를 개략적으로 도시한다.
도 2는 일부 실시예들에 따른, 위치 데이터를 처리하도록 구성되는 여행 식별 엔진을 개략적으로 예시한다.
도 3은 일부 실시예들에 따른, 시스템의 관심 지점(point-of-interest; POI) 할당 엔진을 도시한다.
도 4는 일부 실시예들에 따른, 디바이스 식별자(identifier; ID) 대 사람 아이덴티티(identity; ID) 변환기를 개략적으로 예시한다.
도 5는 일부 실시예들에 따른, 사람 데이터베이스에서 사람 데이터 레코드들을 증강하도록 구성된 사람 데이터 증강 엔진을 개략적으로 예시한다.
도 6은 일부 실시예들에 따른, 증강된 사람 데이터베이스에 저장된 데이터를 의도 또는 목적지 관련 라벨들로 더 증강하도록 구성된 자동 여행 라벨링 엔진을 개략적으로 예시한다.
도 7은 일부 실시예들에 따른, 여행 의도에 의해 복수의 여행을 그룹화하도록 구성되는 여행 선택기를 개략적으로 예시한다.
도 8은 일부 실시예들에 따른, 여행들의 클러스터의 예를 도시한다.
도 9는 일부 실시예들에 따른, 여행의 세그먼트에 대해 생성된 라벨들로 업데이트된 라벨링 규칙 지식 베이스를 예시한다.
도 10은 클러스터링 분석을 사용하여 획득되는 라벨들로 여행들을 라벨링하도록 구성되는 자동 여행 라벨링 엔진을 개략적으로 예시한다.
도 11은 상이한 추가의 라벨들을 갖는 증강된 사람 데이터 레코드들의 예들을 도시한다.
도 12는 일부 실시예들에 따른, 시스템의 여행 추상화기를 개략적으로 예시한다.
도 13은 여행 분류기 지식 베이스에 저장되는 복수의 여행 분류기를 개략적으로 예시한다.
도 14는 사용자들을 세그먼트화하도록 구성된 사람 세그먼트화 엔진을 개략적으로 예시한다.
도 15는 사용자 세그먼트 라벨들의 예들을 도시한다.
도 16은 사용자 세그먼트화에 따라 조직되고 모든 라벨들을 갖는 증강된 사람 데이터 레코드의 예를 도시한다.
도 17은 일부 실시예들에 따른, 시스템의 새로운 여행 의도 예측기를 개략적으로 예시한다.
도 18은 여행 동안 수집된 새로운 데이터로서 여행 목적지 또는 의도의 예측을 연속적으로 생성하고 업데이트하는 예시적인 프로세스를 도시한다.
도 19는 사용자에 대한 여행 의도를 예측하는 예시적인 프로세스를 도시한다.
도 20은 지상 모빌리티 분석 및 목적지/의도 예측 시스템을 구현하도록 프로그래밍되거나 다른 방식으로 구성되는 컴퓨터 시스템을 도시한다.
도 21은 본 명세서에 설명되는 시스템 및 방법들에 의해 처리되는 증강된 여행 데이터세트의 예들을 도시한다.
도 22는 사용자와 연관된 여행들로부터 추출된 통찰 데이터의 예들을 도시한다.
도 23은 통찰 생성기 및 추천 엔진을 포함하는 시스템의 예를 도시한다.
도 24는 통찰 생성기를 개략적으로 도시한다.
도 25는 수송 온톨로지(transport ontology)의 예를 도시한다.
도 26 및 도 27은 개인에 관한 통찰 데이터의 예들을 도시한다.
도 28은 특정한 지리위치로부터의 단골 비즈니스 여행자들에 관한 통찰 데이터의 예를 도시한다.
도 29는 코호트(cohort) 또는 사용자들에 관한 추론 또는 통찰의 예들을 도시한다.
도 1은 일부 실시예들에 따른, 개인 수송 관리 및 의도 예측 시스템이 동작될 수 있는 네트워크 환경의 예를 개략적으로 도시한다.
도 2는 일부 실시예들에 따른, 위치 데이터를 처리하도록 구성되는 여행 식별 엔진을 개략적으로 예시한다.
도 3은 일부 실시예들에 따른, 시스템의 관심 지점(point-of-interest; POI) 할당 엔진을 도시한다.
도 4는 일부 실시예들에 따른, 디바이스 식별자(identifier; ID) 대 사람 아이덴티티(identity; ID) 변환기를 개략적으로 예시한다.
도 5는 일부 실시예들에 따른, 사람 데이터베이스에서 사람 데이터 레코드들을 증강하도록 구성된 사람 데이터 증강 엔진을 개략적으로 예시한다.
도 6은 일부 실시예들에 따른, 증강된 사람 데이터베이스에 저장된 데이터를 의도 또는 목적지 관련 라벨들로 더 증강하도록 구성된 자동 여행 라벨링 엔진을 개략적으로 예시한다.
도 7은 일부 실시예들에 따른, 여행 의도에 의해 복수의 여행을 그룹화하도록 구성되는 여행 선택기를 개략적으로 예시한다.
도 8은 일부 실시예들에 따른, 여행들의 클러스터의 예를 도시한다.
도 9는 일부 실시예들에 따른, 여행의 세그먼트에 대해 생성된 라벨들로 업데이트된 라벨링 규칙 지식 베이스를 예시한다.
도 10은 클러스터링 분석을 사용하여 획득되는 라벨들로 여행들을 라벨링하도록 구성되는 자동 여행 라벨링 엔진을 개략적으로 예시한다.
도 11은 상이한 추가의 라벨들을 갖는 증강된 사람 데이터 레코드들의 예들을 도시한다.
도 12는 일부 실시예들에 따른, 시스템의 여행 추상화기를 개략적으로 예시한다.
도 13은 여행 분류기 지식 베이스에 저장되는 복수의 여행 분류기를 개략적으로 예시한다.
도 14는 사용자들을 세그먼트화하도록 구성된 사람 세그먼트화 엔진을 개략적으로 예시한다.
도 15는 사용자 세그먼트 라벨들의 예들을 도시한다.
도 16은 사용자 세그먼트화에 따라 조직되고 모든 라벨들을 갖는 증강된 사람 데이터 레코드의 예를 도시한다.
도 17은 일부 실시예들에 따른, 시스템의 새로운 여행 의도 예측기를 개략적으로 예시한다.
도 18은 여행 동안 수집된 새로운 데이터로서 여행 목적지 또는 의도의 예측을 연속적으로 생성하고 업데이트하는 예시적인 프로세스를 도시한다.
도 19는 사용자에 대한 여행 의도를 예측하는 예시적인 프로세스를 도시한다.
도 20은 지상 모빌리티 분석 및 목적지/의도 예측 시스템을 구현하도록 프로그래밍되거나 다른 방식으로 구성되는 컴퓨터 시스템을 도시한다.
도 21은 본 명세서에 설명되는 시스템 및 방법들에 의해 처리되는 증강된 여행 데이터세트의 예들을 도시한다.
도 22는 사용자와 연관된 여행들로부터 추출된 통찰 데이터의 예들을 도시한다.
도 23은 통찰 생성기 및 추천 엔진을 포함하는 시스템의 예를 도시한다.
도 24는 통찰 생성기를 개략적으로 도시한다.
도 25는 수송 온톨로지(transport ontology)의 예를 도시한다.
도 26 및 도 27은 개인에 관한 통찰 데이터의 예들을 도시한다.
도 28은 특정한 지리위치로부터의 단골 비즈니스 여행자들에 관한 통찰 데이터의 예를 도시한다.
도 29는 코호트(cohort) 또는 사용자들에 관한 추론 또는 통찰의 예들을 도시한다.
다양한 실시예들이 본 명세서에 도시되고 설명되었지만, 이러한 실시예들은 단지 예로서 제공된다는 점이 이 분야의 기술자들에게 명백할 것이다. 본 개시내용으로부터 벗어나지 않고 이 분야의 기술자들에게 다수의 변형들, 변경들 및 대체들이 떠오를 수 있다. 본 명세서에 설명되는 실시예들에 대한 다양한 대안들이 이용될 수 있다는 점이 이해되어야 한다.
본 명세서에서 사용되는 바와 같이, "자율 제어(autonomously controlled)", "자동 운전(self-driving)", "자율주행", 및 "무인(pilotless)"이라는 용어들은, 차량을 설명하는 데 사용될 때, 일반적으로 모든 주행 작업들을 자체적으로 수행하고 루트의 적어도 일부를 따라 주행 환경을 모니터링할 수 있는 차량을 지칭한다. 자율주행 차량은 자율주행 차량에 승차한 인간으로부터의 어떠한 개입도 없이 한 지점으로부터 다른 지점으로 여행할 수 있다. 일부 경우들에서, 자율주행 차량은 차량 자동화를 위한 NHTSA(National Highway Traffic Safety Administration) 정의들, 특히 NHTSA 정의들의 레벨 4, "차량 상의 ADS(Automated Driving System)는 모든 주행 작업들을 자체적으로 수행하고 주행 환경을 모니터링할 수 있다 - 본질적으로, 특정 상황들에서 모든 주행을 수행한다. 사람은 그 상황들에서 주의를 기울일 필요가 없다.", 또는 NHTSA 정의들의 레벨 5, "차량 상의 ADS(Automated Driving System)는 모든 상황들에서 모든 주행을 할 수 있다. 사람 승차자들은 단지 승객들이고 주행에 결코 관여될 필요가 없다."에 명시된 바와 같은 능력들을 갖는 차량을 지칭할 수 있다. 일부 경우들에서, 자동화된 차량은 NHTSA 정의들의 레벨 2, "차량 상의 ADAS(advanced driver assistance system)는 그 자체가 일부 상황들에서 동시에 조향 및 제동/가속 둘 다를 실제로 제어할 수 있다. 사람 운전자는 항상 최대한 주의를 기울여야 하고("주행 환경을 모니터링함") 주행 작업의 나머지를 수행해야 한다.", 또는 NHTSA 정의들의 레벨 3, "차량 상의 ADS(Automated Driving System)는 일부 상황들에서 주행 작업의 모든 양태들을 자체적으로 수행할 수 있다. 그 상황들에서, 사람 운전자는 ADS가 사람 운전자에게 그렇게 하라고 요청할 때 언제라도 역 제어를 할 준비가 되어 있어야만 한다. 모든 다른 상황들에서, 사람 운전자는 주행 작업을 수행한다."에서 명시된 능력들을 갖는 차량을 지칭할 수 있다. 자동화된 차량은 또한, 레벨 2 ADAS를 개선하기 위해 시가 사용되지만, 일관된 운전자 제어가 여전히 요구되는 레벨 2+ 자동화된 주행 능력들을 갖는 차량들을 포함할 수 있다.
용어 "승객 차량"은 본 명세서에 사용되는 바와 같이, 일반적으로 승객들을 위해 사용되는 차량, 예컨대 자동차 또는 트럭을 지칭하지만, 대량 수송 차량들을 배제한다.
용어 "대량 수송 차량"은 본 명세서에 사용되는 바와 같이, 일반적으로 승객들의 그룹 또는 그룹들을 수송할 수 있는 다중 승객 차량, 예컨대 열차 또는 버스를 지칭한다.
본 명세서에서 사용되는 바와 같이, "여행"이라는 용어는 일반적으로 제1 위치로부터 제2 위치까지 취해지는 전체 시간 및/또는 루트(들)를 지칭한다. 여행은 하나 이상의 루트를 포함할 수 있다. "라우트"라는 용어는 일반적으로 사용자가 제1 위치로부터 제2 위치로 여행하는 것을 허용하는 하나 이상의 방향의 세트를 지칭한다. 루트는 하나 이상의 세그먼트를 가질 수 있다. 세그먼트는 승차 지점과 하차 지점 사이의 루트의 부분의 일부를 지칭할 수 있다.
"상황 정보(contextual information)"라는 용어는, 본 명세서에서 사용되는 바와 같이, 일반적으로 지리적 위치 및/또는 이벤트와 연관된 임의의 정보를 지칭한다. 상황 정보는 이러한 지리적 위치 및/또는 이벤트를 나타내거나 또는 이에 관련되는 정보로부터 도출될 수 있다.
"라벨링된 데이터" 또는 "라벨링된 데이터세트"라는 용어는, 본 명세서에서 사용되는 바와 같이, 일반적으로 지도 학습을 사용하여 모델을 트레이닝하는 데 사용되는 페어링된 데이터세트를 지칭한다. 본 명세서에 제공된 방법들은 라벨링된 데이터세트의 일부로서 클러스터링 분석 지상 모빌리티 분석 및 목적지/의도 예측 시스템에 의해 추출되는 의도 또는 목적지들을 이용할 수 있다. 대안적으로, 본 명세서에 제공된 방법들은 기계 학습 방법이 기존의 시스템에서 이용가능할 수 있는 기존의 데이터세트들에 대해 트레이닝하고 적용할 수 있게 해주는 언페어링된 트레이닝 접근법을 이용할 수 있다.
"적어도", "보다 큰", 또는 "보다 크거나 같은"이라는 용어가 일련의 2개 이상의 수치 값 내의 제1 수치 값에 선행할 때마다, "적어도", "보다 큰", 또는 "보다 크거나 같은"이라는 용어는 그 일련의 수치 값들 내의 수치 값들 각각에 적용된다. 예를 들어, 1, 2, 또는 3보다 크거나 같다는 것은 1보다 크거나 같은 것, 2보다 크거나 같은 것, 또는 3보다 크거나 같은 것과 동등하다.
"이하", "미만", 또는 "보다 작거나 같은"이라는 용어가 일련의 2개 이상의 수치 값들 내의 제1 수치 값에 선행할 때마다, "이하", "미만", 또는 "보다 작거나 같은"이라는 용어는 그 일련의 수치 값들 내의 수치 값들의 각각에 적용된다. 예를 들어, 3, 2, 또는 1보다 작거나 같다는 것은 3보다 작거나 같은 것, 2보다 작거나 같은 것, 또는 1보다 작거나 같은 것과 동등하다.
본 명세서에서 사용되는 바와 같은 용어들 "a", "an" 및 "the"는 문맥이 명확히 달리 지시하지 않는 한은 일반적으로 단수 및 복수 참조들을 지칭한다.
본 개시내용은 지상 모빌리티 분석을 수행하고 하나 이상의 사용자에 대한 여행의 목적지/의도를 예측하기 위해 사용되거나 구성될 수 있는 시스템들 및 방법들을 제공한다. 본 개시내용의 시스템들 및 방법들은 글로벌 포지셔닝 시스템(GPS) 데이터와 같은 위치 데이터에 적어도 부분적으로 기초하여 사용자의 의도 및/또는 목적지를 예측하기 위해 사용되거나 구성될 수 있다. 일부 경우들에서, 예측된 목적지는 사용자에 대한 개인화된 수송 계획을 추가로 생성하기 위해, 예를 들어, 사고를 피하기 위해 특정 루트를 취하도록 사용자(예를 들어, 운전자)에게 지시하고, 개인화된 모빌리티 데이터, 라우팅 데이터, 스케줄링 데이터, 트래픽 데이터, 및 다른 형태 또는 유형의 데이터를 처리하고, 사용자에게 추천 및/또는 제시하기 위해 사용될 수 있다. 일부 경우들에서, 여행의 의도 또는 목적지를 예측하기 위해 기계 학습 기술들이 이용될 수 있다. 일부 경우들에서, 기계 학습 기술들은 또한 예측된 의도/목적지들, 여행 스케줄들(예를 들어, 시작 시간, 종료 시간), 수송 동안 상품들, 서비스들, 및 콘텐츠의 거래 기반 구매를 위한 옵션들, 차량들의 유형들(예를 들어, 세단 또는 밴과 같은 자율주행 차량들의 유형들, 브랜드들), 수송 모드들의 유형들(예를 들어, 자율주행 차량, (열차, 경철도, 또는 도시 버스와 같은) 대중 수송, 셔틀, 승차-공유, 승차-호출, 공유 여행 또는 사적 여행, 걷기, 자전거, 전기-스쿠터, 택시 등) 등을 포함하는 개인화된 수송 계획을 생성하기 위해 이용될 수 있다.
의도/목적지 예측 능력은 운전자 및/또는 승객 금전화 플랫폼에서 이용되거나 구현될 수 있다. 운전자 및/또는 승객 금전화는, 예를 들어, a) 수송되는 동안, 예측된 의도 또는 목적지와 관련된 상품들, 예를 들어, 가솔린, 식품, 커피, 서비스들, 주차, 및 콘텐츠(예를 들어, 운전자 또는 승객의 목적지인 박물관에서 전시되는 아티스트의 작품에 관한 팟캐스트)의 거래-기반 구매, b) 콘텐츠에 액세스하기 위한 가입들, 예를 들어, 음악 스트리밍 서비스, 뉴스 서비스, 컨시어지 서비스(concierge service) 등에 대한 연간 가입; c) 수송되는 동안만이 아니라 차량들이 예를 들어 주유소들, 식당들, 커피숍들 등에 간헐적으로 정지할 때, 상품들, 서비스들, 및 콘텐츠의 거래-기반 구매(예를 들어, 에너지 회사와 같은 충전소 운영자는 차량을 주유하는 동안 구매하는 승객들에게 커피 음료들의 할인들을 제공하기 위해 커피숍 체인과 파트너가 될 수 있음); 및 d) 로열티 포인트들의 상환과 관련된 활동들 및 서비스들을 포함할 수 있는데, 예를 들어, 오토메이커 및 모빌리티 서비스 차량군 운영자들은 항공사들 또는 호텔 체인들에 의해 사용되는 것과 유사한 시스템을 사용하여 그들의 고객들에게 그들의 로열티에 대해 보상할 수 있으며, 로열티 포인트들은 이들 및 다른 산업들이 그러한 프로그램들을 사용하는 것과 거의 동일한 방식으로 상환될 수 있다.
기계 학습 알고리즘들을 포함하는 인공 지능은 여행 의도 또는 목적지를 예측하기 위한 예측 모델을 트레이닝하기 위해 사용될 수 있다. 기계 학습 알고리즘은 예를 들어 신경망일 수 있다. 본 명세서에서의 실시예들과 함께 사용될 수 있는 신경망들의 예들은 심층 신경망, 컨볼루션 신경망(convolutional neural network; CNN), 및 순환 신경망(recurrent neural network; RNN)을 포함할 수 있다. 일부 경우들에서, 기계 학습 알고리즘 트레이닝된 모델은 사용자 디바이스 또는 지상 모빌리티 분석 및 목적지/의도 예측 시스템 상에서 사전-트레이닝되고 구현될 수 있고, 사전-트레이닝된 모델은 시간 경과에 따른 구현 환경의 변화들(예를 들어, 고객/사용자 데이터, 센서 데이터, 모델 성능, 제3자 데이터 등의 변화들)에 적응하기 위해 예측 모델 또는 예측 모델의 컴포넌트(예를 들어, 분류기)의 연속적인 튜닝을 수반할 수 있는 연속적인 재트레이닝을 겪을 수 있다.
지상 모빌리티 분석 및 목적지/의도 예측을 위한 방법들 및 시스템들
본 개시내용은 지상 모빌리티 분석을 수행하고 하나 이상의 사용자에 대한 여행의 목적지/의도를 예측하도록 사용되거나 구성될 수 있는 시스템들 및 방법들을 제공한다. 본 개시내용의 시스템들 및 방법들은 위치 데이터에 적어도 부분적으로 기초하여 사용자의 의도 및/또는 목적지를 예측하도록 사용되거나 구성될 수 있다. 일부 실시예들에서, 위치 데이터는 글로벌 포지셔닝 시스템(GPS) 데이터를 포함할 수 있다. GPS 데이터는 소팅되지 않은 데이터일 수 있거나 사용자들과 상관되지 않을 수 있다(예를 들어, 식별되지 않은 데이터). 제시된 시스템들 및 방법들은 소팅되지 않은 위치 데이터를 처리하고 사용자와 연관된 여행의 의도 또는 목적지를 식별할 수 있다. 여행, 및 대응하는 사용자 및 의도는 배치 시에 여행 의도 또는 목적지를 결정/추론하기 위한 분류기를 트레이닝하기 위한 트레이닝 데이터세트를 생성하기 위해 사용될 수 있다. 여행 의도 및/또는 목적지는 실시간 위치 데이터 또는 제한된 위치 데이터(예를 들어, 여행 시작 위치의 위치)에 기초하여 여행 동안 예측될 수 있다. 대안적으로 또는 추가적으로, 의도 및/또는 목적지는 여행의 시작 전에 새로운/다음 여행에 대해 예측될 수 있다.
사용자는 본 명세서의 시스템에 미리 등록되거나 본 명세서의 시스템에 의해 제공되는 하나 이상의 모빌리티 서비스에 가입될 수 있다. 사용자는 모빌리티 서비스에 대한 장래의 요청자일 수 있다. 사용자는 여행 중에 시스템에 의해 제공되는 거래 옵션들을 수신하기 위해 사용자 모바일 애플리케이션을 이용할 수 있다. 애플리케이션은 예측된 의도 또는 목적지에 기초하여 하나 이상의 거래 서비스 또는 현금화 가능한 운전자 및/또는 승객 중심 서비스 옵션들을 사용자에게 제공할 수 있다. 사용자는 애플리케이션을 통해 예측된 의도 또는 목적지에 관련된 서비스들 또는 거래 제안들을 제시받을 수 있다. 사용자는 애플리케이션을 통해 여행 중에 서비스들에 액세스하거나 거래들을 수행할 수 있다. 사용자는 여행 중에 시스템에 의해 제공되는 모빌리티 서비스들 및 사용자 경험 서비스들을 포함하는 하나 이상의 서비스를 이용하여, 그리고/또는 이에 액세스하는 동안 제1 위치로부터 제2 위치로 수송될 수 있다. 제공된 시스템들/방법들의 사용자는 운전자, 승차-호출 서비스의 운전자와 같은 서비스 운전자, 승객, 또는 전술한 바와 같은 차량에 의해 수송되는 임의의 사용자일 수 있다.
도 1은 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)이 동작될 수 있는 네트워크 환경(100)의 예를 개략적으로 예시한다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 하나 이상의 네트워크(110)를 통해 복수의 사용자 디바이스들(103)과 상호작용할 수 있다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 여행 동안 개인화된 서비스들/제품들을 제공하는 것을 포함하는 개인화된 수송 경험을 제공하기 위한 개인 수송 플랫폼에 결합되거나 그 일부일 수 있다. 일부 실시예들에서, 복수의 사용자 디바이스(103) 중의 사용자 디바이스는 사용자와 연관된 디바이스일 수 있다. 일부 실시예들에서, 사용자 디바이스는 복수의 사용자에 의해 사용될 수 있다. 예를 들어, 사용자 디바이스는 차량 내부에 있거나 차량에 결합된 내장 디바이스 또는 시스템일 수 있다. 일부 실시예들에서, 2개 이상의 사용자 디바이스가 단일 사용자와 연관될 수 있다.
일부 실시예들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 사용자가 여행 루트를 보거나 사용자 디바이스(103)를 통해 여행 동안 예측된 여행 의도/목적지와 관련된 하나 이상의 거래 옵션과 상호작용하기 위한 사용자 인터페이스를 제공하도록 구성될 수 있다. 일부 경우들에서, 사용자 인터페이스는 사용자 디바이스 상에 또는 차량 내의 디스플레이 상에 렌더링된 GUI를 포함할 수 있다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템은 여행 시작 위치와 같은 제한된 위치 데이터에 기초하여 여행 의도 또는 목적지를 예측하도록 구성될 수 있다. 여행 의도 또는 목적지는 제한된 위치 데이터(예를 들어, 여행 시작 위치의 GPS 데이터) 및/또는 사람 데이터(예를 들어, 사람 ID)에 기초하여 기계 학습 기반 모델을 사용하여 생성될 수 있다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템은 개선된 예측 정확도로 제한된 실시간 데이터에 기초하여 여행의 의도/목적지를 예측하도록 구성될 수 있다. 여행 의도 또는 목적지의 예측은 여행이 진행됨에 따라 동적으로 업데이트 및/또는 개선될 수 있다. 의도 및 목적지 예측에 관한 상세들은 본 명세서에서 나중에 설명된다.
일부 경우들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템은 여행 루트, 여행 동안의 하나 이상의 세그먼트 또는 하나 이상의 스톱의 출발 시간 및 도착 시간의 스케줄, 여행 루트의 세그먼트에 대한 수송 모드(예를 들어, 수송의 유형, 차량들의 유형/브랜드, 차량의 구성 등), 및 여행 동안의 하나 이상의 서비스 또는 금전화 가능 운전자 및/또는 승객 중심 서비스(예를 들어, 목적지에 관련된 디지털 서비스, 거래 이벤트들 또는 비즈니스 활동들)를 포함하는 개인화된 수송 계획을 생성하도록 구성되는 개인 수송 계획 시스템에 결합될 수 있다. 일부 경우들에서, 개인화된 수송 계획은 또한 자율주행 차량을 사용하여 적어도 하나의 세그먼트를 통해 사용자를 수송하는 것을 포함할 수 있다. 일부 경우들에서, 개인화된 수송 계획 또는 개인화된 수송 계획의 적어도 일부(예를 들어, 수송 모드)는 여행 의도/목적지의 업데이트된 예측에 기초하여 동적으로 업데이트될 수 있다.
개인화된 수송 계획은 사용자에 관련된 데이터 및/또는 거래 서비스들에 관련된 데이터에 기초하여 생성될 수 있다. 사용자에 관련된 데이터는 사람 아이덴티티(ID), 사용자 선호들, 수송 이력, 또는 구매 이력과 같은 이력 데이터를 포함할 수 있다. 이러한 데이터는 모바일 애플리케이션들(예를 들어, 매핑 애플리케이션, 내비게이션 애플리케이션, 이메일, 텍스트 메시지들, 소셜 네트워크 앱, 개인 건강 앱들 등), 소셜 네트워크 소프트웨어, 모빌리티 서비스 제공자들(예를 들어, Uber(등록상표) 및 Lyft(등록상표))과 같은 제3자 서비스 제공자들, 벤더들, 비즈니스 엔티티들(예를 들어, 패스트 푸드, 식당들, 커피숍들, 접대, 편의점들, 주유소들, 극장들 등), 콘텐츠 제공자들(예를 들어, Apple Music(등록상표), 비디오, 게임들 등), 디지털 가상 어시스턴트, Alexa(등록상표)와 같은 스마트 홈 디바이스, IVR(interactive voice response) 시스템들, Facebook(등록상표) 채널, Twilio SMS 채널, Skype(등록상표) 채널과 같은 소셜 미디어 채널 및 메신저 API들, 및 다양한 다른 소스들과 같은 다양한 데이터 소스들로부터 수집될 수 있다. 거래 서비스들에 관련된 데이터는 사용자에 의한 이전의 거래 서비스의 거절 또는 수락 또는 제3자 서비스 제공자들로부터의 데이터를 포함할 수 있다. 개인화된 수송 계획은 예측된 의도 또는 목적지에 적어도 부분적으로 기초하여 기계 학습 기반 모델을 사용하여 생성될 수 있다. 입력 데이터는 위에 설명된 바와 같은 다양한 데이터로부터 도출된 데이터일 수 있다. 예를 들어, 입력 데이터는 소셜 그래프, 구매 그래프, 수송 그래프, 인구통계 정보, 날씨 데이터, 벤더 또는 서비스 제공자 카탈로그들 및 다양한 다른 것들을 포함할 수 있다. 모델의 출력은 여행 루트, 여행 루트의 하나 이상의 세그먼트의 스케줄(예를 들어, 출발 시간, 도착 시간 등), 각각의 세그먼트에 대한 수송 모드(예를 들어, 차량들, 자동차의 유형들), 및 여행 동안의 하나 이상의 거래 옵션 또는 서비스일 수 있다. 일부 경우들에서, 거래 제안은 시스템에 의해 실시간으로 사용자에게 제공될 수 있다. 예를 들어, 서비스 제안에 대한 거절을 나타내는 사용자 입력을 수신할 때, 새로운 거래 제안이 선택되고 실시간으로 사용자에게 제공될 수 있다.
실시간은, 본 명세서에서 사용되는 바와 같이, 일반적으로, 예컨대 컴퓨터 프로세서에 의한 1초 미만, 10분의 1초, 100분의 1초, 밀리초 이하의 응답 시간을 지칭한다. 실시간은 또한 제2 이벤트의 발생에 대한 제1 이벤트의 동시 또는 실질적 동시 발생을 지칭할 수 있다.
지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 관련 데이터를 저장 또는 리트리브하도록 구성될 수 있는 하나 이상의 서버(105) 및 하나 이상의 데이터베이스 시스템(107, 109)을 포함할 수 있다. 관련 데이터는 처리된 GPS 데이터, 여행 데이터, 증강된 여행 데이터, 증강된 개인 데이터 레코드들(여행 의도, 여행 유형, 사용자 세그먼트화 등과 관련된 추가 데이터로 라벨링됨), 사용자 프로파일 데이터(예를 들어, 사용자 선호들, 아이덴티티, 나이, 성별, 연락처 정보, 인구통계 데이터, 등급들 등과 같은 개인 데이터), 이력 데이터(예를 들어, 소셜 그래프, 수송 이력, 수송 가입 계획 데이터, 구매 또는 거래 이력, 로열티 프로그램들, 및 본 명세서의 다른 곳에 설명된 바와 같은 다양한 다른 데이터)를 포함할 수 있다. 일부 경우들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 하나 이상의 위치 데이터 서비스, 온톨로지 지식 베이스, 맵, 날씨, 또는 트래픽 애플리케이션 프로그램 인터페이스(application program interface; API) 또는 맵 데이터베이스와 같은 하나 이상의 외부 시스템 또는 데이터 소스와 데이터를 소싱하거나 다른 방식으로 (예를 들어, 하나 이상의 네트워크(110)를 통해) 통신할 수 있다. 일부 경우들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 하나 이상의 외부 시스템(예를 들어, 위치 데이터 소스들, 모빌리티 서비스 제공자들, 자율주행 차량 디스패칭 시스템, 패스트 푸드, 식당, 커피숍들, 접대, 편의점들, 주유소들, 극장들, 디지털 서비스 제공자들 등과 같은 제3자 금전화 가능 운전자 및/또는 승객 중심 서비스 엔티티들)과 통신하는 데이터베이스 시스템들(107, 109)로부터 데이터를 리트리브할 수 있다. 일부 경우들에서, 데이터베이스는 날씨, 트래픽, 대중 수송, 글로벌 포지셔닝 시스템(GPS) 입력 또는 로그들, 계획 데이터, 개인 데이터 및 외부 데이터 소스들로부터 획득된 다른 데이터와 같은 정보에 대한 테이블들 또는 레코드들을 유지하는 동기화 데이터베이스일 수 있다.
컴포넌트들(예를 들어, 서버들, 데이터베이스 시스템들, 사용자 디바이스들, 외부 시스템들 등) 각각은 하나 이상의 네트워크(110) 또는 하나의 컴포넌트로부터 다른 컴포넌트로의 데이터의 송신을 허용하는 임의의 유형의 통신 링크들을 통해 서로 동작가능하게 접속될 수 있다. 예를 들어, 각각의 하드웨어 컴포넌트들은 하나 이상의 네트워크와의 단방향 및/또는 양방향 통신을 허용하는 네트워크 어댑터들을 포함할 수 있다. 예를 들어, 서버들 및 데이터베이스 시스템들은 관련 데이터를 송신 및/또는 수신하기 위해 하나 이상의 네트워크(110)를 통해 사용자 디바이스들(103) 및/또는 데이터 소스들과 통신할 수 있다.
서버(예를 들어, 서버들(105))는 웹 서버, 모바일 애플리케이션 서버, 엔터프라이즈 서버, 또는 임의의 다른 유형의 컴퓨터 서버를 포함할 수 있고, 컴퓨팅 디바이스(예를 들어, 사용자 디바이스, 다른 서버들)로부터의 요청들(예를 들어, HTTP, 또는 데이터 송신을 개시할 수 있는 다른 프로토콜들)을 수락하고, 요청된 데이터로 컴퓨팅 디바이스를 서빙하도록 컴퓨터 프로그래밍될 수 있다. 서버는 단일 서버 또는 다수의 컴퓨터들 또는 다수의 데이터센터들에 걸쳐 있는 분산 서버일 수 있다. 서버들은, 예를 들어 그리고 제한 없이, 웹 서버, 뉴스 서버, 메일 서버, 메시지 서버, 광고 서버, 파일 서버, 애플리케이션 서버, 교환 서버, 데이터베이스 서버, 프록시 서버, 본 명세서에 설명된 기능들 또는 프로세스들을 수행하기에 적합한 다른 서버, 또는 이들의 임의의 조합과 같은 다양한 유형들의 서버들일 수 있다. 또한, 서버는 데이터를 분배하기 위한, 무료, 케이블, 위성, 및 다른 방송 설비와 같은 방송 설비일 수 있다. 서버는 또한 데이터 네트워크(예를 들어, 클라우드 컴퓨팅 네트워크) 내의 서버일 수 있다.
서버는 하나 이상의 프로세서, 프로세서(들)에 의해 실행되는 소프트웨어 명령어들을 저장하는 하나 이상의 메모리 디바이스, 및 데이터와 같은 다양한 컴퓨팅 컴포넌트들을 포함할 수 있다. 서버는 하나 이상의 프로세서 및 프로그램 명령어들을 저장하기 위한 적어도 하나의 메모리를 가질 수 있다. 프로세서(들)는 명령어들의 특정 세트들을 실행할 수 있는 단일 또는 다수의 마이크로프로세서, 필드 프로그래머블 게이트 어레이(field programmable gate array; FPGA), 또는 디지털 신호 프로세서(digital signal processor; DSP)일 수 있다. 컴퓨터 판독가능 명령어들은 플렉시블 디스크, 하드 디스크, CD-ROM(compact disk-read only memory), 및 MO(magneto-optical), DVD-ROM(digital versatile disk-read only memory), DVD RAM(digital versatile disk-random access memory), 또는 반도체 메모리와 같은 유형의 비일시적 컴퓨터 판독가능 매체 상에 저장될 수 있다. 대안적으로, 방법들은, 예를 들어, ASIC들, 특수 목적 컴퓨터들, 또는 범용 컴퓨터들과 같은 하드웨어 컴포넌트들 또는 하드웨어와 소프트웨어의 조합들로 구현될 수 있다.
하나 이상의 데이터베이스(107, 109)는 임의의 적절한 데이터베이스 기술들을 이용할 수 있다. 예를 들어, 구조화된 질의 언어(structured query language; SQL) 또는 "NoSQL" 데이터베이스는 여행 의도/목적지, 맵 또는 다른 데이터를 예측하기 위해 사용되는 처리된/원시 GPS 데이터, 사용자 프로파일 데이터, 이력 데이터, 예측 모델 또는 알고리즘들을 저장하기 위해 이용될 수 있다. 데이터베이스들 중 일부는 다양한 표준 데이터 구조들, 예컨대 어레이, 해시, (링크된) 리스트, 구조체, 구조화된 텍스트 파일(예를 들어, XML), 테이블, JSON(JavaScript Object Notation), NOSQL 및/또는 유사한 것을 사용하여 구현될 수 있다. 그러한 데이터 구조들은 메모리 및/또는 (구조화된) 파일들에 저장될 수 있다. 다른 대안에서, 객체 지향 데이터베이스가 사용될 수 있다. 객체 지향 데이터베이스들은 공통 속성들에 의해 함께 그룹화 및/또는 링크되는 다수의 객체 모음들을 포함할 수 있고; 이들은 일부 공통 속성들에 의해 다른 객체 모음들과 관련될 수 있다. 객체 지향 데이터베이스들은 객체들이 데이터의 조각들만이 아니라 주어진 객체 내에 캡슐화된 다른 유형들의 기능을 가질 수 있다는 점을 제외하고는 관계형 데이터베이스들과 유사하게 동작한다. 일부 실시예들에서, 데이터베이스는 데이터를 표현 및 저장하기 위해 노드들, 에지들 및 특성들을 갖는 시맨틱 질의들에 대한 그래프 구조들을 사용하는 그래프 데이터베이스를 포함할 수 있다. 본 발명의 데이터베이스가 데이터 구조로서 구현되는 경우, 본 발명의 데이터베이스의 사용은 본 발명의 컴포넌트와 같은 다른 컴포넌트에 통합될 수 있다. 또한, 데이터베이스는 데이터 구조들, 객체들 및 관계형 구조들의 혼합으로서 구현될 수 있다. 데이터베이스들은 표준 데이터 처리 기술들을 통해 변형들로 통합 및/또는 분산될 수 있다. 데이터베이스들의 부분들, 예를 들어, 테이블들은 내보내기 및/또는 가져오기되고, 따라서 분산 및/또는 통합될 수 있다.
일부 실시예들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 데이터를 사용자들에게 효율적으로 전달하기 위해 데이터베이스를 구성할 수 있다. 예를 들어, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 데이터를 추출, 변환, 및 로딩(extract, transform, and load; ETL)하기 위해 맞춤화된 알고리즘들을 제공할 수 있다. 일부 실시예들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 대규모 데이터베이스들에 적응되거나, 쉽게 확장가능하거나, 질의 및 데이터 리트리브에서 효율적이거나, 다른 데이터 구조들을 사용하는 것에 비해 감소된 메모리 요건들을 갖는 효율적인 데이터베이스 모델을 제공하기 위해 독점 데이터베이스 아키텍처 또는 데이터 구조들을 사용하여 데이터베이스들을 구성할 수 있다.
하나 이상의 데이터베이스(예를 들어, 증강된 사람 데이터베이스)는 거래들과 관련될 수 있는 다양한 애플리케이션들 또는 엔티티들에 의해 액세스될 수 있지만, 일부 상황들에서는, 이러한 다양한 애플리케이션들 또는 엔티티들은 거래들과 관련되지 않을 수 있다. 일부 경우들에서, 증강된 사람 데이터베이스에 저장된 데이터는 애플리케이션 프로그래밍 인터페이스들(API들)을 통해 다른 애플리케이션들에 의해 이용되거나 액세스될 수 있다. 다양한 애플리케이션들에 의해 액세스되는 데이터는 예측된 의도/목적지, 예측된 수송 모드, 및/또는 사람 데이터 레코드들과 같이 시스템에 의해 관리되는 데이터를 포함할 수 있다. 데이터베이스에 대한 액세스는 API 레벨마다, 데이터 레벨마다(예를 들어, 데이터의 유형마다), 애플리케이션 레벨마다 또는 다른 인가 정책들에 따라 인가될 수 있다.
지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 네트워크 내의 어디에서나 구현될 수 있다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 네트워크 내의 하나 이상의 서버 상에서, 네트워크 내의 하나 이상의 데이터베이스에서, 차량에 내장되거나 결합된 하나 이상의 전자 디바이스, 또는 하나 이상의 사용자 디바이스에서 구현될 수 있다. 예를 들어, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 분산형 아키텍처(예를 들어, 복수의 디바이스가 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101) 또는 그의 동작들을 구현하거나 다른 방식으로 실행하기 위해 함께 집합적으로 동작함)로 또는 중복 방식(예를 들어, 복수의 디바이스가 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101) 또는 그의 동작들을 독립형 시스템으로서 각각 구현하거나 다른 방식으로 실행함)으로 구현될 수 있다. 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 네트워크 환경(100) 내의 전술한 컴포넌트들 중 하나 이상에서 소프트웨어, 하드웨어, 또는 소프트웨어와 하드웨어의 조합을 사용하여 구현될 수 있다.
복수의 사용자 디바이스들(103) 중의 사용자 디바이스는 전자 디바이스일 수 있다. 사용자 디바이스는 개시된 실시예들에 따른 하나 이상의 동작을 수행하도록 구성된 컴퓨팅 디바이스일 수 있다. 사용자 디바이스들의 예들은 예를 들어 모바일 디바이스, 스마트폰/셀폰, 태블릿, PDA(personal digital assistant), 스마트 웨어러블 디바이스, 스마트 워치, 랩톱 또는 노트북 컴퓨터, 데스크톱 컴퓨터, 미디어 콘텐츠 플레이어, 텔레비전 세트, 비디오 게이밍 스테이션/시스템, 가상 현실 시스템, 증강 현실 시스템, 마이크로폰, 또는 사용자가 여행 루트를 보고, 거래 또는 서비스 관련 정보와 상호작용하고, 여행과 관련된 바와 같은 다른 정보를 디스플레이할 수 있게 하도록 구성된 임의의 전자 디바이스를 포함할 수 있지만, 이에 제한되지 않는다. 사용자 디바이스는 핸드헬드 객체일 수 있다. 사용자 디바이스는 휴대용일 수 있다. 사용자 디바이스는 인간 사용자에 의해 휴대될 수 있다. 일부 경우들에서, 사용자 디바이스는 인간 사용자로부터 원격으로 위치될 수 있고, 사용자는 무선 및/또는 유선 통신들을 사용하여 사용자 디바이스를 제어할 수 있다. 사용자 디바이스는 사용자에 의해 착용된 웨어러블 디바이스와 통신하는 컴퓨팅 디바이스일 수 있다. 일부 경우들에서, 웨어러블 디바이스는 사용자의 사용자 활동들, 바이탈 사인들(예를 들어, 혈압 및 심박수) 또는 건강 상태를 모니터링하도록 구성될 수 있다. 일부 경우들에서, 사용자 디바이스는 차량에 결합되거나 차량에 탑재된 전자 디바이스일 수 있다.
일부 실시예들에서, 사용자 디바이스는 디바이스/사용자의 위치를 검출할 수 있다. 사용자 디바이스는 사용자 디바이스의 순간적인 포지션 또는 위치 정보를 제공하기 위해 디바이스에 탑재된 하나 이상의 센서를 가질 수 있다. 일부 실시예들에서, 순간적인 위치 정보는 위치 센서(예를 들어, 글로벌 포지셔닝 시스템(GPS)), 관성 센서(예를 들어, 가속도계, 자이로스코프, 관성 측정 유닛(inertial measurement unit; IMU)), 고도 센서, 자세 센서(예를 들어, 나침반), 압력 센서(예를 들어, 기압계), 필드 센서(예를 들어, 자력계, 전자기 센서), 및/또는 다른 센서 정보(예를 들어, WiFi 데이터)와 같은 센서들에 의해 제공될 수 있다. 사용자 디바이스의 위치는 여행 루트의 출발지를 찾는 데 사용될 수 있다. 추가 또는 대안으로서, 관심 장소의 위치(예를 들어, 여행의 출발지, 여행 동안의 스톱)는 사용자 인터페이스를 통해 수동으로 위치를 입력하는 것 등에 의해 사용자 디바이스(103)를 통해 사용자에 의해 제공될 수 있다.
사용자 디바이스는 네트워크 내의 하나 이상의 다른 컴포넌트와의 통신을 허용할 수 있는 통신 유닛을 포함할 수 있다. 일부 경우들에서, 통신 유닛은 단일 통신 모듈, 또는 다수의 통신 모듈을 포함할 수 있다. 일부 경우들에서, 사용자 디바이스는 단일 통신 링크 또는 다수의 상이한 유형의 통신 링크들을 사용하여 네트워크 환경 내의 하나 이상의 컴포넌트와 상호작용할 수 있다. 사용자 디바이스들(103)은 네트워크(110)를 통해 전술한 데이터를 요청하고 획득함으로써 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)과 상호작용할 수 있다.
사용자 디바이스는 개시된 실시예들에 따른 하나 이상의 동작을 위한 명령어들을 제공할 수 있는 비일시적 컴퓨터 판독가능 매체를 실행할 수 있는 하나 이상의 프로세서를 포함할 수 있다. 사용자 디바이스는 하나 이상의 동작을 수행하기 위한 코드, 로직, 또는 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함하는 하나 이상의 메모리 저장 디바이스를 포함할 수 있다.
일부 실시예들에서, 사용자들은 사용자 디바이스들(103)을 이용하여, 사용자 디바이스들 상에서 실행되고/되거나 사용자 디바이스들에 의해 액세스되는 하나 이상의 소프트웨어 애플리케이션(즉, 클라이언트 소프트웨어)을 통해 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)과 상호작용할 수 있으며, 사용자 디바이스들(103) 및 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 클라이언트-서버 관계를 형성할 수 있다. 예를 들어, 사용자 디바이스들(103)은 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)에 의해 제공되는 전용 모바일 애플리케이션들을 실행할 수 있다.
일부 실시예들에서, 클라이언트 소프트웨어(즉, 사용자 디바이스들(103) 상에 설치된 소프트웨어 애플리케이션들)는 다양한 유형들의 모바일 디바이스들에 대한 다운로드가능한 모바일 애플리케이션들로서 이용가능할 수 있다. 대안적으로, 클라이언트 소프트웨어는 다양한 웹 브라우저들에 의한 실행을 위해 하나 이상의 프로그래밍 언어 및 마크업 언어의 조합으로 구현될 수 있다. 예를 들어, 클라이언트 소프트웨어는 Chrome, Mozilla Firefox, Internet Explorer, Safari, 및 임의의 다른 호환가능한 웹 브라우저들과 같이 자바스크립트 및 HTML 렌더링을 지원하는 웹 브라우저들에서 실행될 수 있다. 클라이언트 소프트웨어 애플리케이션들의 다양한 실시예들은 다수의 플랫폼들에 걸쳐 다양한 디바이스들에 대해 컴파일될 수 있고, 그들 각각의 네이티브 플랫폼들에 대해 최적화될 수 있다. 일부 경우들에서, 제3자 사용자 인터페이스들 또는 API들은 모바일 애플리케이션에 통합될 수 있고, 프론트엔드 사용자 인터페이스에(예를 들어, 그래픽 사용자 인터페이스 내에) 통합될 수 있다. 제3자 사용자 인터페이스들은 제3자 서버에 의해 호스팅될 수 있다. 제3자 서버는 본 명세서의 다른 곳에 설명된 바와 같이 OEM(original equipment manufacturer), 호텔 및 접대, 식당 및 식사, 관광 및 엔터테인먼트, 서비스 전달, 및 다양한 다른 것들과 같은 다양한 제3자 엔티티들에 의해 제공될 수 있다. 일부 경우들에서, API들 또는 제3자 자원들(예를 들어, 맵 서비스 제공자, 모빌리티 서비스 제공자, 디지털 서비스 제공자, Starbuck, McDonald, Ticketmaster 등)은 사용자와의 거래를 제공하고 수행하는 데 사용될 수 있다. 일부 경우들에서, 하나 이상의 제3자 서비스는 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)에 의해 호출될 수 있고, 사용자 애플리케이션에 통합될 수 있어, 사용자는 친숙한 프론트엔드 사용자 경험에서 그러한 서비스들에 액세스할 수 있다. 일부 경우들에서, 전술한 서비스들 중 하나 이상은 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)의 내장 컴포넌트일 수 있고, 제3자 엔티티를 아웃소싱하지 않고 사용자에게 제공될 수 있다. 일부 경우들에서, 제3자 서비스 제공자들로부터 리트리브된 데이터는 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)에 의해 조직화되고 저장되어, 수송 동안 사용자에 대한 예측된 의도와 관련된 거래 제안을 결정하는 데 사용될 수 있는 벤더/서비스 카탈로그를 형성할 수 있다. 일부 경우들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템(101)은 그래픽 사용자 인터페이스(GUI)를 제공할 수 있다. GUI는 사용자가 그래픽 요소들과 상호작용하고, 수송 동안 여행 루트 및 여행 스케줄과 같은 정보를 봄으로써 예측된 목적지와 관련된 하나 이상의 거래 제안/옵션, 정보, 서비스를 액세스, 수락, 거절, 선택하는 것을 허용할 수 있다.
사용자 디바이스는 디스플레이를 포함할 수 있다. 디스플레이는 스크린일 수 있다. 디스플레이는 터치스크린일 수 있다. 대안으로서, 디스플레이는 터치스크린이 아닐 수 있다. 디스플레이는 발광 다이오드(light-emitting diode; LED) 스크린, 0LED 스크린, 액정 디스플레이(liquid crystal display; LCD) 스크린, 플라즈마 스크린 또는 임의의 다른 유형의 스크린일 수 있다. 디스플레이는 애플리케이션을 통해(예로서, 사용자 디바이스 상에서 실행되는 애플리케이션 프로그래밍 인터페이스(API)를 통해) 렌더링된 사용자 인터페이스(user interface; UI) 또는 그래픽 사용자 인터페이스(GUI)를 표시하도록 구성될 수 있다. 예를 들어, GUI는 사용자가 거래 제안을 수락 또는 거절하고, 예측된 의도/목적지, 여행 루트 및 거래 옵션들과 관련된 정보를 보는 것을 허가하는 그래픽 요소들을 표시할 수 있다.
네트워크(110)는 개인 수송 관리 시스템(101), 사용자 디바이스들(103), 및 네트워크의 다른 컴포넌트들 사이의 통신 경로일 수 있다. 네트워크는 무선 및/또는 유선 통신 시스템들 둘 다를 사용하는 근거리 및/또는 광역 네트워크들의 임의의 조합을 포함할 수 있다. 예를 들어, 네트워크(110)는 인터넷뿐만 아니라 모바일 전화 네트워크들을 포함할 수 있다. 일 실시예에서, 네트워크(110)는 표준 통신 기술들 및/또는 프로토콜들을 사용한다. 따라서, 네트워크(110)는 이더넷, 802.11, WiMAX(worldwide interoperability for microwave access), 2G/3G/4G 또는 LTE(Long Term Evolution) 모바일 통신 프로토콜들, 적외선(Infra-Red; IR) 통신 기술들, 및/또는 Wi-Fi와 같은 기술들을 사용하는 링크들을 포함할 수 있고, 무선, 유선, 비동기 송신 모드(asynchronous transfer mode; ATM), 인피니밴드, PCI 익스프레스 어드밴스드 스위칭, 또는 이들의 조합일 수 있다. 네트워크(110) 상에서 사용되는 다른 네트워킹 프로토콜들은 멀티프로토콜 라벨 스위칭(multiprotocol label switching; MPLS), 송신 제어 프로토콜/인터넷 프로토콜(transmission control protocol/Internet protocol; TCP/IP), 사용자 데이터그램 프로토콜(User Datagram Protocol; UDP), 하이퍼텍스트 송신 프로토콜(hypertext transport protocol; HTTP), 단순 메일 송신 프로토콜(simple mail transfer protocol; SMTP), 파일 송신 프로토콜(file transfer protocol; FTP) 등을 포함할 수 있다. 네트워크를 통해 교환되는 데이터는 이진 형태의 이미지 데이터(예를 들어, PNG(Portable Networks Graphics)), HTML(hypertext markup language), XMLCextensible markup language) 등을 포함하는 기술들 및/또는 포맷들을 사용하여 표현될 수 있다. 게다가, 링크들의 전부 또는 일부는 보안 소켓 계층(secure sockets layer; SSL)들, 송신 계층 보안(transport layer security; TLS), 인터넷 프로토클 보안(Internet Protocol security; IPsec) 등과 같은 종래의 암호화 기술들을 사용하여 암호화될 수 있다. 다른 실시예에서, 네트워크 상의 엔티티들은 위에 설명된 것들 대신에, 또는 그에 더하여 맞춤형 및/또는 전용 데이터 통신 기술들을 사용할 수 있다. 네트워크는 무선, 유선, 또는 이들의 조합일 수 있다.
여행의 목적지 또는 의도를 예측하기 위한 시스템들은 본 명세서에 설명되고 도시된 바와 같은 복수의 컴포넌트를 포함할 수 있다. 도 2 내지 도 18은 제한된 위치 데이터에 기초하여 목적지 또는 의도를 집합적으로 예측하는 기능들 및 동작들을 수행하도록 구성되는 시스템의 다양한 컴포넌트들을 개략적으로 예시한다. 일부 실시예들에서, 시스템의 다양한 컴포넌트들은 여행 식별 엔진, 관심 지점(POI) 할당 엔진, 디바이스 식별자(ID) 대 사람 ID 변환기, 사람 데이터 증강 엔진, 자동 여행 라벨링 엔진, 기계 학습(machine learning; ML) 클러스터링 시스템, 사람 세그먼트화 엔진, 데이터베이스들 및 다양한 다른 컴포넌트들을 포함할 수 있다.
일부 실시예들에서, 시스템의 하나 이상의 컴포넌트(예를 들어, 여행 분류기)는 소팅되지 않은 또는 상관되지 않은 위치 데이터를 사용하여 개발될 수 있다. 일부 실시예들에서, 지상 모빌리티 분석 및 목적지/의도 예측 시스템에 의해 생성되고 관리되는 사람 데이터 레코드들은 소팅되지 않은 또는 상관되지 않은 위치 데이터로부터 추출되는 데이터를 포함할 수 있다. 일부 경우들에서, 소팅되지 않은 또는 상관되지 않은 위치 데이터는 복수의 개별 여행을 출력하기 위해 시스템의 여행 식별 엔진에 의해 처리될 수 있다. 도 2는 일부 실시예들에 따른, 위치 데이터를 처리하기 위한 여행 식별 엔진(210)을 개략적으로 예시한다.
일부 실시예들에서, 위치 데이터(201)는 GPS 데이터를 포함할 수 있다. 일부 경우들에서, GPS 데이터는 대응하는 GPS 정보를 포함하는 복수의 레코드들 또는 데이터세트들을 포함할 수 있다. 예를 들어, 대응하는 좌표 데이터(예를 들어, 위도, 경도), 타임스탬프, 분해능 및 디바이스 ID와 같은 다른 정보를 포함하는 각각의 레코드에 대한 엔트리들을 갖는 테이블이 유지될 수 있다. 위치 레코드의 데이터 엔트리는 임의의 적합한 데이터 구조들을 포함할 수 있다. 예를 들어, 데이터 구조는 전술한 바와 같은 복수의 데이터 필드들을 포함할 수 있다. 데이터 구조는 원시 데이터 포맷 또는 데이터가 리트리브되는 데이터 소스에 의존할 수 있다.
위치 데이터(201)는 하나 이상의 데이터 소스로부터 리트리브될 수 있다. 위치 데이터는 GNSS(Global Navigation Satellite System), 셀룰러 삼각측량, A-GPS(assisted-GPS), DGPS(differential global positioning system) 등과 같은 적합한 위치 기반 기술들을 이용하여 획득될 수 있다.
일부 실시예들에서, 위치 데이터는 적어도 지리적 위치 정보 및 디바이스 ID와 같은 식별자를 포함할 수 있다. 데이터 소스에 따라, 식별자는 예를 들어 IDFA(Identifier for Advertising) 또는 AAID(AndPOId Advertising ID)일 수 있다.
위치 데이터의 복수의 레코드는 하나 이상의 데이터 소스로부터 스트림들로 또는 배치(batch)로 획득될 수 있다. 위치 데이터는 시공간 지점 측정들과 같은 시계열 데이터일 수 있다. 일부 경우들에서, 위치 데이터의 복수의 레코드 또는 데이터세트는 소팅되지 않을 수 있고, 시계열로 스트리밍되거나 조직화되지 않을 수 있다. 복수의 레코드 또는 데이터세트는 하나 이상의 디바이스/사람과 연관된 복수의 여행과 연관될 수 있다. 일부 경우들에서, 위치 데이터의 복수의 레코드 또는 데이터세트는 사람 또는 여행에 관한 명시적 정보를 포함하지 않을 수 있다.
위치 데이터는 하나 이상의 개별 여행(221-1, 221-2, 221-3)을 식별하기 위해 여행 식별 엔진(210)에 의해 처리될 수 있다. 일부 경우들에서, 하나 이상의 개별 여행은 여행 데이터베이스(220)에 저장될 수 있다. 여행은 적어도 여행의 출발지에 대응하는 위치 데이터세트 및 여행의 목적지에 대응하는 위치 데이터세트를 포함하는 순서화된 위치 데이터 레코드들의 시퀀스를 포함할 수 있다. 여행은 여행의 출발지 지리적 위치/시작 시간, 여행의 목적지 지리적 위치/종료 시간, 및 여행이 연관되는 디바이스 ID를 포함하는 여행 정보가 식별되도록 임의의 적절한 방법들을 사용하여 복수의 위치 데이터세트들로부터 식별될 수 있다. 하나 이상의 고유 여행이 식별되고 디바이스 ID와 연관될 수 있다. 예를 들어, 상이한 시작/종료 시점들에서의 상이한 여행들(221-1, 221-2)이 식별되고 동일한 디바이스 ID와 연관될 수 있다.
일부 실시예들에서, 여행의 출발지 및/또는 목적지의 지리적 위치는 관심 지점들(POI들)과 같은 위치 상황 데이터를 할당받을 수 있다. 도 3은 일부 실시예들에 따른, 시스템의 POI 할당 엔진(303)을 도시한다. POI 할당 엔진(303)은 적어도 개별 여행의 출발지 및 목적지에 위치 상황 데이터를 할당하기 위해 여행 데이터베이스(301)에 결합될 수 있다. 일부 경우들에서, 여행에서의 하나 이상의 중간 위치 지점(예를 들어, 중간 스톱들)은 위치 상황 데이터를 할당받을 수 있다. 이러한 위치 상황 데이터는 여행을 따른 목적지, 출발지 또는 스톱들의 아이덴티티와 연관될 수 있다. 위치 상황 데이터는 예를 들어, 커피숍, 공항, 장소, 식당, 경기장, 극장, 치과 클리닉 등을 포함할 수 있다. 여행 데이터베이스(301)는 도 2에 설명된 바와 같은 여행 데이터베이스와 동일할 수 있다.
일부 경우들에서, POI 할당 엔진은 여행 데이터베이스(301)로부터 하나 이상의 여행을 리트리브하고 크라우드 소싱 접근법을 사용하여 수집된 위치 상황 데이터를 할당할 수 있다. 예를 들어, POI 할당 엔진은 로컬 비즈니스, 랜드마크 및 관심 지점(POI) 데이터를 수집하기 위해 하나 이상의 제3자 데이터 소스(307-1, 307-2, 307-3)에 결합될 수 있다. 예로서, POI 데이터는 그와 연관된 지리 태그들을 가질 수 있고, POI 할당 엔진은 POI 데이터를 서치하여 여행의 출발지 또는 목적지 지리적 좌표들(예를 들어, 여행 시작 위도/경도, 여행 종료 위도/경도)과의 양호한 매치를 찾을 수 있다. 최상의 매치를 갖는 POI 데이터(예를 들어, 여행 시작 POI, 여행 종료 POI)가 반환될 수 있다.
일부 경우들에서, 하나 이상의 제3자 데이터 소스(307-1, 307-2, 307-3)는 POI 데이터를 제공하기 위해 다른 데이터 소스들에 비해 선택될 수 있다. 예를 들어, 다수의 후보 POI들이 동일한 위치 또는 주소와 연관되어 있을 때, 시스템은 선택 기준에 기초하여 복수의 후보 POI들로부터 하나의 POI를 선택할 수 있다. 일부 경우들에서, 선택 기준은 사용자 특정적일 수 있다. 예를 들어, 이력 사용자 데이터(예를 들어, 사용자의 수송, 구매, 및/또는 거래 이력, 사용자의 사회적 활동 등)에 기초하여 다수의 후보 POI들로부터 POI가 선택될 수 있다. 대안적으로 또는 그에 부가하여, POI 데이터는 다수의 후보 POI들의 조합일 수 있다. 예를 들어, POI 데이터는 동일한 지리 위치 지점에 속하는 모든 POI들에 관한 집계 정보(예를 들어, 거리 이름, 랜드마크 참조, 지역 이름 등)일 수 있다. 다른 경우들에서, "스위트 번호, 거리 이름, 지역 코드"와 같은 임의의 포맷을 따르지 않는 비구조화된 주소들을 갖는 POI는 동일한 지리적 위치에 속하는 다른 POI들의 정보에 의해 보완될 수 있다.
일부 경우들에서, 위치 상황 데이터는 온톨로지 지식 베이스(305)와 같은 다양한 다른 데이터 소스들에 의해 증강될 수 있다. 예를 들어, 일부 POI들은 온톨로지 지식 베이스에 의해 제공되는 추가적인 속성들(예를 들어, 공항은 터미널 번호, 터미널 내의 항공사들을 가짐)로 보완될 수 있다. 온톨로지 지식 베이스(305)는 외부 시스템들 또는 자원들로부터 가져온 하나 이상의 개인, 조직에 의해 수동으로 개발될 수 있거나, 사용자들과 협력하는 기계 학습 시스템들을 사용하여 부분적으로 학습될 수 있다(예를 들어, 자연 언어 텍스트로부터 수송 조건을 추출함). 그 후, POI 데이터(311, 313)로 보완된 여행 데이터세트(310)는 여행 데이터베이스(301)로 다시 수집될 수 있다.
전술한 바와 같이, 원래/원시 위치 데이터는 사람과 연관되지 않을 수 있다. 일부 실시예들에서, 시스템의 디바이스 ID 대 사람 ID 변환기는 디바이스 ID에 기초하여 위치 데이터를 사람과 상관시키는 데 사용될 수 있다. 도 4는 일부 실시예들에 따른 디바이스 ID 대 사람 ID 변환기(401)를 개략적으로 예시한다.
디바이스 ID 대 사람 ID 변환기(401)는 하나 이 상의 디바이스 ID를 사람 ID와 연관시키도록 구성될 수 있다. 디바이스 ID 대 사람 ID 변환기(401)는 디바이스 ID 데이터를 처리하고 디바이스 ID들을 사람 식별자와 상관시킬 수 있다. 사람 식별자(413)는 적절한 아이덴티티 분해 방법을 사용하여 획득될 수 있는 사람의 아이덴티티에 대응할 수 있다. 아이덴티티 분해 방법은 상이한 아이덴티티 속성들 및 매칭 알고리즘들을 커버할 수 있다. 예를 들어, 개인 아이덴티티 속성들, 사회적 거동 속성들, 및 사회적 관계 속성들과 같은 아이덴티티 관련 데이터는 사람 아이덴티티를 추출하기 위해 쌍별 비교, 전이적 폐쇄, 및 집합적 클러스터링과 같은 매칭 알고리즘들에 의해 처리될 수 있다. 아이덴티티 관련 데이터 및 디바이스 ID들은 추가로 처리되고 상관되어 사람 데이터 레코드들(411)을 형성할 수 있다. 사람 데이터 레코드의 엔트리(413)는 사람 ID 및 디바이스 ID와 같은 다수의 데이터 필드들을 포함할 수 있다. 사람 데이터 레코드들(411)은 그 후 사람 데이터베이스(410)에 저장될 수 있다. 일부 경우들에서, 인식되지 않은 디바이스 ID들(403)은 별개의 데이터베이스에 저장될 수 있다.
일부 실시예들에서, 사람 데이터 레코드는 추가적인 개인 데이터로 증강될 수 있다. 도 5는 증강된 사람 데이터베이스(420)를 형성하기 위해 사람 데이터 레코드들을 증강하도록 구성된 사람 데이터 증강 엔진(500)을 개략적으로 예시한다. 일부 실시예들에서, 사람 데이터 증강 엔진은 복수의 데이터 소스들로부터 사용자 데이터(예를 들어, 인구통계 데이터, 구매 데이터, 소셜 그래프 등)를 그리고 여행 데이터베이스(301)로부터 여행 데이터를 리트리브하여 사람 데이터 레코드들을 증강할 수 있다.
사용자 데이터는 아이덴티티, 나이, 성별, 연락처 정보, 인구통계 데이터 및 기타의 것들과 같은 개인과 관련된 개인 데이터를 포함할 수 있다. 이러한 데이터는 다른 데이터 소스들 또는 제3자 애플리케이션들로부터 추출될 수 있다. 일부 경우들에서, 개인 데이터는 또한 사용자 선호들을 포함할 수 있다. 사용자 선호들은 여행 선호 및 거래/서비스 선호 양쪽 모두를 포함할 수 있다. 여행 선호는 시스템에 의해 획득된 다양한 파라미터들 중 하나 이상으로부터 도출되어, 개인화된 여행 루트를 생성하거나 수송 모드를 예측하는 데 사용될 수 있다. 예를 들어, "가장 빠른 루트" 선호와 같은 여행 선호는 2개 지점들 사이의 가장 빠른(시간적으로) 루트에 대한 선호를 나타낸다. "가장 짧은 루트" 선호는 2개 지점들 사이의 가장 짧은 (거리) 루트에 대한 선호를 나타낼 수 있다. "가장 연료-효율적인 루트" 선호는 연료 절감에 대한 선호를 나타낼 수 있다. 여행 선호는 예를 들어 경사의 큰 변화(예를 들어, 언덕) 또는 경사의 작은 변화(예를 들어, 평평함)를 원할 수 있는 사이클리스트, 보행자, 러너, 하이커, 및 수영자에 특히 관련될 수 있는 "노력"에 대한 선호를 나타낼 수 있다. 여행 선호는 다양한 경치 지점, 도시 경관보다 더 많은 초목 등을 갖는 루트에 대한 선호, 박물관, 극장, 플레이하우스 등에 대한 선호, 쇼핑 기회를 포함하는 루트에 대한 선호, 식품에 대한 선호, 교통량이 많은 루트가 그들의 목적지까지의 가장 빠른 경로일지라도 교통 혼잡에 빠지는 것을 피하기 위한 사용자에 의한 선호 및 다양한 다른 선호를 나타낼 수 있다. 여행 선호는 사용자-선호 수송 모드(예를 들어, 자율주행 차량, (열차, 경철도, 또는 도시 버스와 같은) 대중 수송, 셔틀, 승차-공유, 승차-호출, 공유 여행 또는 사적 여행, 걷기, 자전거, 전기-스쿠터, 택시 등), 또는 차량 내에서의 사용자 경험(예를 들어, 음악, 게임에 대한 액세스) 등을 포함할 수 있다. 여행 선호는 여행 루트, 루트의 세그먼트들, 세그먼트에 대한 수송 모드, 및/또는 여행 루트 동안의 스톱들(예를 들어, 경치 뷰, 식당, 커피숍 등)를 결정하는 데 사용될 수 있다. 이러한 사용자 선호는 사용자에 의해 입력되고/되거나 다른 데이터 소스 또는 이력 데이터로부터 추출될 수 있다.
구매 데이터는 여행 중에 또는 여행의 끝에 행해진 사용자의 임의의 구매 또는 거래 이력을 포함할 수 있다. 구매 또는 거래는 차량 내가 아닐 수 있는 임의의 위치들에서(예를 들어, 목적지에서) 수행될 수 있다. 구매 또는 거래는 차량 내 또는 객실 내 거래들일 수 있다.
일부 경우들에서, 소셜 데이터는 특히 자동차 내 공유를 용이하게 하기 위해 다양한 사용자들 또는 차량들 사이의 관계들을 묘사할 수 있다. 일부 경우들에서, 소셜 데이터는 사용자와 다른 개인들 및 엔티티들(예를 들어, 가족, 비즈니스, 친구 등), 도로 네트워크, 및 커뮤니티 내의 잠재적 회의-스폿들 사이의 관계를 표시할 수 있다. 일부 경우들에서, 소셜 데이터는 자동차 공유를 용이하게 하고, 추천 차량들 및 위치들을 제의하고, 공유된 관심들 및 모빌리티 활동들에 기초하여 자동차 공유 파트너들을 제안하기 위해 사용될 수 있다. 일부 경우들에서, 소셜 데이터는 여행을 위한 위치 및/또는 스케줄을 예측 또는 추천하기 위해 사용될 수 있다. 예를 들어, 사용자가 사용자와 비즈니스 관계에 있는 누군가를 만나도록 스케줄링되는 경우, 도착 시간은 비즈니스 회의 선호에 기초하여 스케줄링될 수 있다. 소셜 데이터는 소셜 네트워크들(예를 들어, 페이스북, 트위터, 링크드인 등), 이력 통신들(예를 들어, 이메일, SMS, 비디오 채팅 등), 클럽들에서의 공통 멤버십, 조직들에서의 공통 멤버십, 공통 멤버십 및 사회들, 가족 관계들, 공통 고용주, 공통 직장 등으로부터 획득될 수 있다.
일부 경우들에서, 추가적인 사용자 데이터는 적어도 여행의 세그먼트에 대한 수송 모드를 예측하는 데 사용될 수 있다. 예를 들어, 사용자 데이터는 사용자와 연관된 이력 수송 데이터로부터 수집된 수송 모드(예컨대, 자율주행 차량, 대중 수송(열차, 경철도, 또는 도시 버스 등), 셔틀, 승차-공유, 승차-호출, 공유 여행 또는 사적 여행, 걷기, 자전거, 전기-스쿠터, 택시 등)를 포함할 수 있다.
사람 데이터 증강 엔진(500)은 사용자 데이터(예를 들어, 인구통계 데이터, 구매 데이터, 소셜 그래프 등) 및 여행 데이터베이스(301)로부터 리트리브된 여행 데이터를 이용하여 사람 데이터베이스(410) 내의 사람 데이터 레코드들을 증강시켜, 증강된 사람 데이터 레코드들을 생성하도록 구성될 수 있다. 일부 실시예들에서, 여행 데이터 및 사람 데이터는 디바이스 ID에 기초하여 통합될 수 있다. 일부 실시예들에서, 사람 데이터 증강 엔진(500)은 이질적인 데이터베이스들(즉, 여행 데이터베이스, 사람 데이터베이스)을 통합하기 위해 적합한 기술들을 채택할 수 있다. 예를 들어, 여행 데이터베이스는 매칭된 디바이스 ID에 기초하여 복수의 사람 데이터 레코드들 중 하나에 여행 데이터를 통합함으로써 사람 데이터베이스 내의 복수의 레코드들과 통합될 수 있다. 이어서, 통합된 사람 데이터 레코드는 증강된 사람 데이터 레코드들로서 증강된 사람 데이터베이스(420)에 저장될 수 있다. 예를 들어, 증강된 사람 데이터 레코드는 사람 ID, 디바이스 ID, 및 대응하는 여행 데이터(예를 들어, POI들로 태깅(tagging)된 일련의 위치 데이터)와 같은 데이터 필드들을 포함할 수 있다.
일부 실시예들에서, 증강된 사람 데이터 레코드들은 추가적인 의도 또는 목적지 관련 정보로 더 업데이트되고 증강될 수 있다. 도 6은 증강된 사람 데이터베이스(420)에 저장된 데이터를 의도 또는 목적지 관련 라벨들로 더 증강하도록 구성된 자동 여행 라벨링 엔진(600)을 개략적으로 예시한다.
일부 실시예들에서, 목적지의 의도는 활동과 관련된 상황 정보, 또는 목적지로부터 추론된 의도일 수 있다. 예를 들어, 수퍼마켓의 의도는 식품 쇼핑일 수 있고, 평일 아침 여행과 연관된 의도는 일상 통근일 수 있고, 식품, 가스 등과 연관된 의도는 쇼핑일 수 있고, 스포츠 경기장, 영화관과 연관된 의도는 엔터테인먼트일 수 있다. 이러한 의도들은 의도 라벨들의 리스트를 저장하는 라벨링 규칙 지식 베이스(610)로부터 획득될 수 있다. 자동 여행 라벨링 엔진(600)은 각각의 여행의 목적지를 라벨링 규칙 지식 베이스(610)에 의해 제공된 의도 라벨로 라벨링할 수 있다. 증강된 사람 데이터 레코드는 각각의 여행과 연관된 목적지의 의도를 통합함으로써 업데이트될 수 있다.
일부 실시예들에서, 증강된 사람 데이터 레코드들은 의도에 의해 여행들을 그룹화하기 위해 시스템의 여행 선택기에 의해 처리될 수 있다. 여행들의 그룹들은 목적지에 의해 추가로 클러스터링되도록 기계 학습 기반 클러스터링 시스템에 의해 추가로 처리될 수 있다. 도 7은 의도에 기초하여, 증강된 사람 데이터베이스(420)로부터 리트리브된 복수의 여행을 그룹화하도록 구성되는 여행 선택기(700)를 개략적으로 예시한다. 예를 들어, 동일한 의도 라벨들을 갖는 여행들은 함께 그룹화될 수 있다. (예를 들어, 직장과 통신하는) 동일한 의도를 갖는 여행들은 동일한 목적지들을 가질 수 있거나 갖지 않을 수 있다.
일부 경우들에서, 의도에 의해 그룹화된 여행들은 기계 학습 기반 클러스터링 시스템에 의해 추가로 처리된다. 기계 학습 기반 클러스터링 시스템은 의도들의 세트에 대한 여행들의 자연 그룹화들을 결정하기 위해 여행들에 대해 클러스터링 분석을 수행할 수 있다. 예를 들어, 동일한 클러스터의 여행들은 동일한 목적지를 가질 수 있고, 상이한 출발지들, 중간 스톱들, 또는 시작/종료 시간을 가질 수 있다. 일부 경우들에서, 동일한 클러스터에 속하는 여행들의 세트는 의도에 더하여 공통인 하나 이상의 특성(예를 들어, 출발지, 수송 모드, 중간 스톱)을 가질 수 있다. 일부 경우들에서, 하나 이상의 공통 특성이 식별되고 여행 또는 여행의 세그먼트에 대한 라벨로서 사용될 수 있다.
일부 경우들에서, 클러스터와 연관된 라벨은 분류기를 트레이닝하기 위한 트레이닝 데이터세트의 일부로서 사용될 수 있다. 라벨은 여행 데이터와 페어링하기 위한 트레이닝 데이터세트의 일부로서 사용될 수 있다. 라벨은 하나 이상의 개인, 조직에 의해 수동으로 생성되거나, 외부 시스템들 또는 자원들로부터 가져올 수 있다. 라벨들(예를 들어, 개인 자동차, 아침 여행, 직접 직장 통근 등)은 전술한 바와 같이 기계 학습 기반 클러스터링 시스템에 의해 생성되는 자연 클러스터링에 기초하여 식별될 수 있다.
도 8은 여행들의 클러스터의 예를 도시한다. 여행들의 세트는 "개인 자동차를 사용하는 직장 통근" 클러스터에 포함될 수 있다. 여행들의 세트는 동일한 목적지 및 동일한 의도를 가질 수 있는 반면 중간 스톱들은 상이할 수 있다.
일부 실시예들에서, 여행의 세그먼트는 증강된 데이터로 라벨링될 수 있다. 도 9는 라벨링 규칙 지식 베이스가 여행의 세그먼트에 대해 생성된 라벨들로 업데이트되는 것을 예시한다. 라벨들은 하나 이상의 개인, 조직에 의해 수동으로 생성되거나, 외부 시스템들 또는 자원들로부터 가져올 수 있다. 라벨들(예를 들어, 개인 자동차, 아침 여행, 직접 직장 통근 등)은 전술한 바와 같이 기계 학습 기반 클러스터링 시스템에 의해 생성된 자연 클러스터링에 기초하여 식별될 수 있다.
일부 실시예들에서, 여행 또는 여행의 세그먼트에 대해 생성된 라벨들은 증강된 사람 데이터 레코드들을 보완하기 위해 사용될 수 있다. 도 10은 위에서 설명된 바와 같은 클러스터링 분석을 사용하여 획득된 라벨들로 여행들을 라벨링하도록 구성된 자동 여행 라벨링 엔진(1000)을 개략적으로 예시한다. 자동 여행 라벨링 엔진(1000)은 도 6에서 설명된 바와 같은 자동 여행 라벨링 엔진과 동일할 수 있다. 자동 여행 라벨링 엔진(1000)은 여행 또는 여행의 하나 이상의 세그먼트를 자동으로 라벨링할 수 있다. 일부 경우들에서, 라벨링은 라벨링 규칙 지식 베이스(610)로부터 리트리브된 라벨링 규칙들에 기초하여 수행될 수 있다. 라벨링 규칙들은 하나 이상의 개인, 조직에 의해 수동으로 개발될 수 있거나, 외부 시스템들 또는 자원들로부터 가져올 수 있거나, 사용자들과 협력하는 기계 학습 시스템들을 사용하여 부분적으로 학습될 수 있다(예를 들어, 자연 언어 텍스트로부터 수송 조건을 추출함). 아래는 라벨링 규칙 지식 베이스(610)에 저장된 예시적인 규칙들이다.
규칙 1: trip_start_time이 오전 5시 이후이고 trip_end_time이 오후 12시 이전이면, label="morning_trip"(이것에서 지역 시간대 AM, PM을 계산).
규칙 2: trip_type="daily-commute"이고 intermediate_stop_duration > 5분 및 <20분이고 in_trip_POI_type="coffee-shop"이면, label="commute-to-work-coffee-shop".
추가적인 라벨들로 증강된 여행들은 증강된 사람 데이터베이스에 저장될 수 있다. 도 10에 도시된 바와 같이, 증강된 사람 데이터 레코드는 도 6에 도시된 바와 같은 증강된 사람 데이터 레코드에 비해 추가적인 라벨들(예를 들어, 아침, 직접 직장 통근, 집에서, 사무실로, 개인 자동차 등)을 포함한다.
도 11은 상이한 추가 라벨들을 갖는 증강된 사람 데이터 레코드들의 예들을 도시한다. 이 예에 도시된 바와 같은 2개의 증강된 사람 데이터 레코드는 동일한 의도를 가지며, 하나의 상이한 특성(예를 들어, 직접 직장 통근, 직장 통근 커피)을 갖는 복수의 공통 특성(예를 들어, 아침, 집에서, 사무실로, 개인 자동차)을 갖는다.
일부 실시예들에서, 복수의 증강된 사람 데이터 레코드들은 기계 학습 기반 여행 추상화기를 트레이닝하기 위해 사용될 수 있다. 도 12는 일부 실시예들에 따른, 시스템의 여행 추상화기(1200)를 개략적으로 예시한다. 여행 추상화기는 추가적인 라벨들을 포함하는 증강된 사람 데이터 레코드들을 사용하여 트레이닝된 분류기일 수 있다. 여행 추상화기는 여행 데이터를 처리하고 여행 목적지와 연관된 의도를 예측할 수 있다. 기계 학습 알고리즘들과 같은 인공 지능은 여행 추상화기를 트레이닝하기 위해 사용될 수 있다. 기계 학습 알고리즘은 예를 들어 신경망일 수 있다. 신경망들의 예들은 심층 신경망, 컨볼루션 신경망(CNN), 및 순환 신경망(RNN)을 포함한다. 일부 경우들에서, 기계 학습 알고리즘 트레이닝된 모델은 시스템 상에서 사전-트레이닝되고 구현될 수 있고, 사전-트레이닝된 모델은 시간 경과에 따른 구현 환경에서의 변화들(예를 들어, 고객/사용자 데이터, 이용가능한 라벨링된 데이터, 모델 성능, 제3자 데이터 등의 변화들)에 적응하기 위해 예측 모델 또는 예측 모델의 컴포넌트(예를 들어, 분류기)의 연속적인 튜닝을 수반하는 연속적인 재트레이닝을 겪을 수 있다.
일부 실시예들에서, 여행 분류기는 여행의 의도에 대응할 수 있다. 도 13은 여행 분류기 지식 베이스(1300)에 저장된 복수의 여행 분류기를 개략적으로 예시한다. 일부 경우들에서, 모델을 트레이닝하는 것은 모델 유형(예를 들어, CNN, RNN, 그래디언트-부스팅된 분류기 또는 리프레서(repressor) 등)을 선택하는 것, 모델의 아키텍처(예를 들어, 계층들의 수, 노드들, ReLU 계층 등)를 선택하는 것, 파라미터들을 설정하는 것, 트레이닝 데이터를 생성하는 것(예를 들어, 데이터를 페어링하고, 입력 데이터 벡터들을 생성하는 것), 및 모델을 생성하기 위해 트레이닝 데이터를 처리하는 것을 수반할 수 있다. 트레이닝된 모델은 여행 분류기 지식 베이스로부터 리트리브되는 테스트 데이터를 사용하여 테스트되고 최적화될 수 있다. 테스트 결과는 예측 모델이 성능 요건을 충족시키는지를 결정하기 위해 성능 특성들에 대해 비교될 수 있다. 성능이 양호한 경우, 즉, 성능 요건을 충족시키는 경우, 모델은 여행 분류기 지식 베이스에 삽입될 수 있다.
도 21은 위에서 설명된 바와 같은 시스템 및 방법들에 의해 처리되는 증강된 여행 데이터세트(2100)의 예들을 도시한다. 예시된 예에서, 증강된 여행 데이터세트(2100)는 적어도 상관되지 않은 GPS 데이터를 사용하여 생성될 수 있다. 하나 이상의 증강된 여행은 디바이스 ID(2101)와 같은 디바이스와 연관될 수 있다. 각각의 증강된 여행은 예를 들어, 디바이스 ID(2101), 출발지의 POI/이름(2103)(예를 들어, 원스톱 식품들, Galter LifeCenter), POI의 카테고리(2105)(예를 들어, 식료품점, 사무실 건물, 가이(guy), 식당), 출발지의 주소(2107)와 같은 여행의 출발지에 관한 예측된 또는 된 정보, 목적지(2109)의 POI(예를 들어, 집, CTA-해리슨 등), 예측된 P0I의 카테고리(2111)(예를 들어, 집, 메트로 스테이션 등), 목적지의 주소(2113)와 같은 여행의 목적지에 관한 예측된 또는 추출된 정보, 여행의 예측된 양식(2115)(예를 들어, 자동차, ride_share 등), 여행의 시작 시간 및 다양한 정보를 포함할 수 있다. 예시된 예에서, 증강된 여행 데이터의 리스트의 엔트리/행은 여행 또는 여행의 세그먼트일 수 있다.
일부 실시예들에서, 사람들/사용자들은 세그먼트들/클러스터들로 세그먼트화되고 조직화될 수 있다. 도 14는 사람 데이터베이스에서 사람들을 세그먼트화하도록 구성된 사람 세그먼트화 엔진(1400)을 개략적으로 예시한다. 사람 세그먼트화는 시스템이 사용자들의 특정 세그먼트를 목표로 하여 그러한 사용자들과 관련될 수 있는(예를 들어, 가장 관련 있는 것으로 발견된) 제안들을 행하게 할 수 있다. 사람들 또는 사용자들은 임의의 적합한 세그먼트화 기술을 사용하여 세그먼트화될 수 있다(또는 하나 이상의 세그먼트로 조직화될 수 있다). 예를 들어, 세그먼트화 기술은 고정된 세그먼트화 규칙들(1410)에 기초할 수 있다. 사용자들은 위에 설명된 바와 같이, 지리(또는 지리위치), 소셜 그래프(들), 구매 그래프(들), 수송 그래프(들), 인구통계 정보, 사용자 선호(들), 설치된 모바일 애플리케이션(들), 또는 사용자 프로파일 데이터로부터 추출된 다른 사용자 속성(들) 또는 특성(들)과 같은 하나 이상의 속성에 기초하여 그룹화될 수 있다. 동일한 그룹 내의 사용자들은 하나 이상의 사용자 속성 또는 사용자 특성(예를 들어, 나이, 성별, 지리위치, 소셜 그래프, 단골 고객, 단골 식품 쇼핑객 등)을 공유할 수 있다. 개인은 하나 이상의 세그먼트에 속할 수 있다. 일부 경우들에서, 새로운 데이터가 수집됨에 따라 세그먼트들은 자동으로 연속적으로 증강되고 업데이트될 수 있다. 일부 실시예들에서, 새로운 사용자들(또는 사용자들의 클래스들)이 시스템에 추가되거나 가입됨에 따라 새로운 세그먼트들이 생성될 수 있다. 일부 경우들에서, 세그먼트들은 이산적일 수 있다. 다른 경우들에서, 2개 이상의 세그먼트는 중첩될 수 있고, 공통성들 또는 특성들의 세트를 공유할 수 있다.
일부 경우들에서, 세그먼트화 기술은 이력 데이터(예를 들어, 사용자 프로파일 데이터)로부터 추출된 패턴에 기초할 수 있다. 패턴은 기계 학습 알고리즘을 사용하여 추출될 수 있다. 일부 경우들에서, 패턴들의 세트가 초기에 생성될 수 있고, 실현 가능할 뿐만 아니라 원하는 결과를 최대화하는 세그먼트들에 대한 패턴들의 최적의 할당을 식별하기 위해 알고리즘이 이용될 수 있다. 원하는 결과는 적절하게 선택된 고객들(예를 들어, 고객들의 그룹)이 서비스를 수락할 가능성이 가장 크도록 적절한 시간 및/또는 위치에서 선택된 고객들에게 송신될 예측된 목적지에 관련된 적은 수의 서비스 또는 거래 옵션들을 제안하는 것일 수 있다. 패턴들의 초기 세트는 결정 트리 또는 다른 패턴 식별 알고리즘과 같은 임의의 적절한 방법을 사용하여 생성될 수 있다. 일부 경우들에서, 세그먼트들에 대한 패턴들의 최적의 할당을 식별하기 위한 알고리즘은 트레이닝된 기계 학습 알고리즘(예를 들어, 지원 벡터 기계 또는 신경망)일 수 있다.
일부 실시예들에서, 사용자 세그먼트에 대한 라벨이 생성될 수 있다. 도 15는 사용자 세그먼트 라벨들(예를 들어, 운전 애호가, 단골 고객, 이탈리아 음식 애호가, 스포츠 광 등)의 예들을 도시한다. 라벨들은 하나 이상의 개인, 조직에 의해 수동으로 생성되거나, 외부 시스템들 또는 자원들로부터 가져올 수 있다. 대안적으로 또는 추가적으로, 사용자 세그먼트화에 대한 라벨들(예를 들어, 운전 애호가, 단골 고객, 이탈리아 음식 애호가, 스포츠 광 등)은 전술한 바와 같은 기계 학습 접근법을 사용하여 식별될 수 있다. 일부 경우들에서, 사용자 세그먼트화에 대한 라벨들은 증강된 사람 데이터베이스 내의 증강된 사람 데이터 레코드들을 보완하기 위해 사용될 수 있다.
도 16은 모든 라벨들을 가지며 사용자 세그먼트화에 따라 조직화된 예시적인 증강된 사람 데이터 레코드(1600)를 도시한다. 증강된 사람 데이터 레코드들은 시스템에 의해 주기적으로(예를 들어, 매시간, 매일, 매주 등) 또는 데이터베이스에 추가된 새로운 데이터의 검출시에 관리, 유지 및 업데이트될 수 있다. 증강된 사람 데이터 레코드들은 분류기들을 연속적으로 트레이닝하여 성능을 개선하기 위한 트레이닝 데이터세트들을 형성하는 데 사용될 수 있다. 위에 설명된 바와 같이, 트레이닝 데이터세트는 클러스터링 시스템을 사용하여 획득된 의도 또는 목적지를 포함하는 라벨링된 데이터일 수 있다.
시스템은 사용자 계획/스케줄 데이터(예를 들어, 달력, 이메일 등)에 의존하지 않고 미래 여행의 의도를 예측할 수 있다. 시스템은 실시간 또는 제한된 위치 데이터에 기초하여 현재 여행의 가능성 있는 목적지를 예측할 수 있다. 예를 들어, 트레이닝된 분류기들은 실시간 위치 데이터에 기초하여 의도 및/또는 수송 모드의 예측 들을 행하기 위해 배치될 수 있다. 일부 경우들에서, 예측된 의도 및/또는 수송 모드는 여행의 출발지의 위치 데이터에 기초하여 생성될 수 있다. 일부 경우들에서, 예측된 의도 및/또는 수송 모드는 여행 동안 생성되고, 새로운 위치 데이터가 스트리밍되어 들어옴에 따라 업데이트될 수 있다.
도 17은 일부 실시예들에 따른 시스템의 새로운 여행 의도 예측기(1700)를 개략적으로 예시한다. 새로운 여행 의도 예측기(1700)는 여행 분류기 지식 베이스(1300)로부터 다운로드된 하나 이상의 트레이닝된 분류기를 사용하여 실시간 위치 데이터에 기초하여 여행의 목적지 및/또는 의도의 예측들을 행할 수 있다. 새로운 여행 의도 예측기(1700)는 증강된 사람 데이터베이스(420) 및 여행 분류기 지식 베이스(1300)에 결합되어 적절한 분류기를 다운로드하고 대응하는 증강된 사람 데이터 레코드들을 리트리브하여 실시간 위치 데이터와 함께 입력 데이터세트를 형성할 수 있다. 일부 경우들에서, 사람 ID, 여행 시작 위치(예를 들어, 원점 GPS 위치), 여행 진행에 따른 업데이트된 위치 데이터, 또는 수송 모드와 같은 실시간 데이터를 수신하면, 새로운 여행 의도 예측기(1700)는 증강된 사람 데이터베이스(420)로부터 대응하는 증강된 사람 데이터 레코드들을 리트리브하고, 고객 세그먼트, 여행 유형과 같은 데이터를 추출하여 실시간 데이터를 보완함으로써 여행 분류기 지식 베이스(1300)로부터 다운로드된 분류기에 의해 처리될 입력 데이터세트를 형성할 수 있다.
도 18은 여행 동안 수집된 새로운 데이터로서 여행 목적지 또는 의도의 예측을 연속적으로 생성하고 업데이트하는 예시적인 프로세스를 도시한다. 예에 예시된 바와 같이, 새로운 여행 의도 예측기는 처음에, 출발지 위치 데이터(예를 들어, 여행 시작 위치)의 수신시, 3개의 예측 의도, 예를 들어, 직장으로의 아침 여행, 공항으로의 여행, 식품 쇼핑을 위한 아침 여행을 생성할 수 있다. 일부 경우들에서, 여행 동안 새로운 위치 데이터가 수집됨에 따라, 예측 의도는 정제되고 업데이트될 수 있다. 예를 들어, 여행이 진행되고 커피숍에서의 스톱을 나타내는 위치 데이터가 수집됨에 따라, 예측 의도는 식품 쇼핑으로서 업데이트되고 예측 목적지는 슈퍼마켓이다.
일부 실시예들에서, 제공된 시스템은 데이터 처리의 적어도 일부가 에지에서 수행될 수 있는 에지 지능 패러다임을 이용할 수 있다. 예를 들어, 데이터 처리 및 추론은 사용자 디바이스 상에 배치된 새로운 여행 의도 예측기에 의해 수행될 수 있다. 일부 경우들에서, 기계 학습 모델들 또는 분류기들은 클라우드 상에서 구축 및 트레이닝되고, 여행 분류기 지식 베이스(1300)에 저장 및 유지되고, 에지 디바이스 또는 에지 시스템(예를 들어, 하드웨어 가속기) 상에서 실행될 수 있다. 본 개시내용의 시스템들 및 방법들은 실시간, 온-사이트 여행 목적지 및 의도 예측을 가능하게 하는 효율적이고 고도로 확장 가능한 의도 예측 플랫폼을 제공할 수 있다.
예측된 의도 또는 여행 목적지는 다양한 응용들에서 사용될 수 있다. 예를 들어, 예측된 의도 또는 목적지는 거래 제안을 제공하는 것, 여행을 용이하게 하기 위한 서비스, 예측된 목적지에 관련된 제안을 제공하는 것 및 다양한 다른 것들을 위해 사용될 수 있다. 예를 들어, 예측된 의도 또는 목적지는 고속 루트, 주차, 또는 이용가능한 수송 양식에 대한 정보를 제공함으로써 의도된 목적지로의 사용자 여행을 용이하게 하는 데 사용될 수 있다. 다른 예에서, 예측된 의도 또는 목적지는 예측된 목적지(예를 들어, 수퍼마켓) 또는 목적지 부근의 서비스(예를 들어, 수퍼마켓의 커피숍)에 의해 제의된 아이템들에 관한 할인 등의 목적지에 관련된 제의를 제공하는 데 사용될 수 있다. 추가 예에서, 예측된 의도 또는 목적지는 사용자를 예측된 목적지로부터 다른 데로 전환(예를 들어, 할인, 경쟁 서비스 제공자에 의해 제의된 서비스 제공)시키기 위해 사용자의 원래의 의도에 영향을 미치는 데 사용될 수 있다.
도 19는 사용자에 대한 여행 의도를 예측하는 예시적인 프로세스(1900)를 도시한다. 예시된 예에서, GPS 데이터와 같은 위치 데이터는 복수의 개별 여행들을 생성하기 위해 획득되고 분석될 수 있다(동작(1901)). 실시간 위치 데이터는 사용자 디바이스(예를 들어, 사용자 디바이스 상의 센서들), 또는 사용자 디바이스 상에서 동작하는 매핑 및 내비게이션 애플리케이션들과 같은 사용자 애플리케이션들로부터 획득될 수 있다(동작(1903)). POI가 식별되고 여행 종료 위치 및/또는 여행 시작 위치에 할당될 수 있다(동작(1903)). 사람 여행 데이터는 하나 이상의 개별 여행을 사람 ID와 연관시킴으로써 생성될 수 있다(동작(1905)). 사람 여행 데이터는 추가적인 사용자 데이터로 증강될 수 있다(동작(1907)). 증강된 사람 여행 데이터는 여행 의도를 식별하기 위해 클러스터링된다(동작(1909)). 하나 이상의 여행 분류기는 증강된 사람 여행 데이터를 사용하여 트레이닝된다(동작(1911)). 여행 분류기들은 실행될 수 있고, 여행 의도, 목적지 또는 수송 모드는 새로운 여행 전에, 여행의 시작 시에 또는 여행 동안 예측될 수 있다(동작(1913)). 일부 경우들에서, 예측된 의도/목적지와 관련되는 하나 이상의 제안/서비스는 사용자 인터페이스 상에서 사용자에게 디스플레이될 수 있다.
도 19는 일부 실시예들에 따른 방법을 도시하지만, 이 분야의 통상의 기술자는 다양한 실시예들에 대한 많은 적응이 존재한다는 것을 인식할 것이다. 예를 들어, 동작들은 임의의 순서로 수행될 수 있다. 동작들 중 일부는 배제될 수 있고, 동작들 중 일부는 하나의 단계에서 동시에 수행될 수 있고, 동작들 중 일부는 반복될 수 있고, 동작들 중 일부는 다른 동작들의 하위 단계들을 포함할 수 있다. 일부 예들에서, 하나 이상의 상거래 옵션을 제공하기 위한 타이밍은 사용자의 현재 지리 위치 및/또는 여행 시간에 기초할 수 있다. 방법은 본 명세서에서 제공되는 바와 같은 본 개시내용의 다른 양태들에 따라 수정될 수도 있다.
개인의 여행 데이터는 다양한 통찰 정보를 추출하기 위해 분석될 수 있다. 이러한 통찰 정보는 개인과 연관된 각각의 여행의 예측된 의도에 적어도 부분적으로 기초하여 추출될 수 있다. 도 22는 사용자와 연관된 여행들로부터 추출된 통찰 데이터의 예들을 도시한다. 예를 들어, 개인과 연관된 복수의 예측된 여행 의도는 여행이 발생한 도시 또는 위치들에 기초하여 분석될 수 있다. 예를 들어, 집 도시에서 발생한 개인의 여행들이 분석될 수 있고, 여행 의도들에 의해 조직화된 여행들의 수를 예시하는 다이어그램(2210)이 생성될 수 있다. 유사하게, 여행 의도들에 의해 조직화된 방문 도시에서의 여행들의 수를 보여주기 위해 다이어그램(2220)이 제공될 수 있다. 이러한 다이어그램들은 상이한 도시들에서의 개인의 여행 패턴에 관한 통찰을 유익하게 제공할 수 있다. 일부 실시예들에서, 개인과 연관된 여행들의 양식들을 보여주는 플롯이 또한 생성될 수 있다. 예를 들어, 플롯(2230)은 집 도시에서의 상이한 양식들(예를 들어, 개인 차량, 자동차 임대, 승차-호출, 걷기, 다중-양식 등)을 사용하는 여행들의 수를 보여줄 수 있고, 다른 플롯(2240)은 방문 도시에서의 상이한 양식들을 사용하는 여행들의 수를 보여줄 수 있다. 이 통찰은 시내, 도시, 주, 국가 또는 임의의 레벨들의 서비스 노력으로서 모빌리티의 측정을 유익하게 제공할 수 있다. 예를 들어, 이러한 측정들은 자동차 제조사들, 차량 보험 회사들, 도시, 카운티, 주 및 국가 정부들, 소매업자들(예를 들어, 슈퍼마켓들, 가정 개선 소매업자들, 백화점들 등), 접대 서비스 회사들(예를 들어, 호텔들, 식당들, 커피숍 체인들), 및/또는 모빌리티 서비스 회사들/조직들에 의해 얼마나 양호한 모빌리티 및 다른 유형들의 수송-관련 서비스들이 소비자들에 의해 수신되는지를 이해하기 위해 사용될 수 있다.
일부 실시예들에서, 사람 데이터베이스는 개인에 관한 예측된 통찰(예를 들어, 여행 선호) 및/또는 통찰에 기초하여 예측된 추천에 의해 더 증강될 수 있다. 도 23은 통찰 생성기(2305) 및 추천 엔진(2307)을 포함하는 시스템의 예를 도시한다. 여행자 데이터베이스(2301)는 전술한 바와 같은 사람 데이터베이스와 동일할 수 있다. 예를 들어, 여행자 데이터베이스는 사용자 세그먼트 라벨, 여행, 인구 통계 특성, 여행 유형, 및 제3자 데이터(2301)를 수집하고 전술한 바와 같은 여행 생성 및 사용자 세그먼트화(2303)를 수행함으로써 생성되는 다양한 다른 데이터를 포함하는 증강된 사람 데이터 레코드를 저장할 수 있다. 증강된 사람 데이터 레코드는 통찰 생성기(2305) 및 추천 엔진(2307)에 의해 생성된 통찰 데이터를 더 포함할 수 있다. 통찰 생성기(2305) 및 추천 엔진(2307)은 개인의 선호 세트 및 수송 서비스에 관련된 추천을 예측하기 위한 하나 이상의 기계 학습 알고리즘 트레이닝된 모델을 포함할 수 있다.
도 24는 통찰 생성기(2405)를 개략적으로 도시한다. 일부 경우들에서, 통찰 생성기(2405)는 하나 이상의 사용자 선호에 대한 통찰을 예측하도록 트레이닝될 수 있다. 하나 이상의 사용자 선호는 선호 양식, 선호 목적지 유형, 숙소 유형, 또는 선호 식당, 가격 포인트, 브랜드 친화도 등의 다양한 다른 선호 서비스 등의 개인의 여행 선호와 관련될 수 있다. 예를 들어, 통찰 생성기(2405)는 하나 이상의 기계 학습 기반의 모델(2407) 및 수송 온톨로지(2403)를 포함하고, 여행자 데이터베이스(2401)로부터의 사람 데이터 레코드를 처리하여 사용자 선호를 예측하고, 예측된 사용자 선호로 사람 데이터 레코드를 증강하며, 증강된 사람 데이터 레코드를 여행자 데이터베이스(2409)에 저장할 수 있다. 도 25는 수송 온톨로지(2403)의 예를 도시한다. 일부 경우들에서, 통찰 생성기는 개인과 연관된 세그먼트화 라벨을 예측하기 위해 사용자 세그먼트화에서 설명된 바와 같은 하나 이상의 기계 학습 기반의 모델 또는 기계 학습 기술을 이용할 수 있다. 일부 경우들에서, 통찰 생성기는 세그먼트화 라벨, 다른 사람 데이터 및 상이한 온톨로지에 기초하여 추론을 행하여 사용자에 대한 추가 통찰을 생성할 수 있다.
일부 경우들에서, 추천 엔진은 개인의 예측된 선호들 및 개인의 여행의 예측된 의도에 적어도 부분적으로 기초하여 추천들을 생성하도록 트레이닝될 수 있다. 예를 들어, 추천 엔진은 여행 동안 추천(예를 들어, 식당의 추천, 다음 여행 세그먼트에 대한 양식 등)을 생성하도록 트레이닝될 수 있다.
도 26 및 도 27은 개인에 관한 통찰 데이터의 예들을 도시한다. 통찰 데이터는 개인과 연관된 증강된 여행들(2601, 2603)로부터 추출될 수 있다. 통찰 데이터는 전술한 바와 같이 통찰 생성기 및/또는 추천 엔진에 의해 생성될 수 있다. 예를 들어, 상이한 도시들(집 도시(2601), 방문 도시(2603))의 개인과 연관된 증강된 여행들은 개인에 관한 추가 통찰을 추출하기 위해 처리될 수 있다. 예를 들어, 증강된 여행 데이터 내의 예측된 의도, 양식 또는 다른 정보에 기초하여, 선호되는 양식(2605)(예를 들어, 개인 차량, 승차 공유, 걷기), 선호되는 호텔 가격 범위(2607)(예를 들어, 중간 가격), 선호되는 요리(2609), 페르소나(2611)(예를 들어, 활동적인 라이프스타일 여행자, 식품 광, 건강 및 피트니스 등), 선호되는 식당 가격 범위(2613), 상위 브랜드(예를 들어, 애완 동물, 타겟 등) 및 다양한 다른 통찰과 같은 사용자 선호 통찰이 추론될 수 있다. 추론된 사용자 선호들은 또한, 선호되는 외식일(2601), 특정 도시 내의 식당에 대한 선호되는 양식(2703, 2705)(예를 들어, 덴버의 승차 공유, 시카고의 자동차), 선호되는 비즈니스 여행일(2707), 선호되는 여행 숙박, 선호되는 여행 식당(2711), 또는 선호되는 여행 양식(2713)과 같은 POI 선호들을 포함할 수 있다. 일부 경우들에서, 이러한 통찰 데이터는 특정한 도시에서 제안될 추천 식당, 호텔, 서비스, 또는 예측되는 여행과 같은 추가 예측들(2715)을 행하는 데 이용될 수 있다.
일부 경우들에서, 여행자들의 코호트에 관한 통찰이 제공될 수 있다. 도 28은 특정한 지리위치로부터의 단골 비즈니스 여행자들에 관한 통찰 데이터의 예를 도시한다. 통찰 데이터는 사용자가 특정한 위치로부터 빈번하게 비즈니스 여행을 취하는 것(2801), 각각의 개인과 연관된 특정한 위치로부터의 여행 수(2805), 및 개인과 연관된 디바이스 ID(2803)를 포함할 수 있다. 이러한 통찰은 상관되지 않은 여행을 개인과 연관시키고 여행의 의도를 예측하는 것과 같은 전술한 바와 같은 방법들 및 시스템들을 사용하여 생성될 수 있다.
제공된 방법들 및 시스템들은 또한 사용자들의 코호트와 연관된 여행들에 관한 추론들을 행하기 위해 이용될 수 있다. 도 29는 코호트 또는 사용자들에 관한 추론들 또는 통찰의 예들을 도시한다. 예를 들어, 사용자들(예를 들어, 특정 도시의 여행자들)의 코호트와 연관된 여행들의 카테고리 빈도(예를 들어, 식당, 국립공원, 체육관)를 도시하는 다이어그램(2601)이 생성될 수 있다. 일부 경우들에서, 집 도시(2920) 또는 방문 도시(2930)에서와 같은 사용자들의 코호트와 연관된 여행들의 양식들에 관한 분포 다이어그램이 생성될 수 있다.
컴퓨터 시스템
본 명세서에 설명된 시스템, 시스템의 다양한 컴포넌트들, 또는 프로세스들은 하나 이상의 프로세서에 의해 구현될 수 있다. 일부 실시예들에서, 프로세서는 컴퓨터 시스템의 처리 유닛일 수 있다. 도 20은 지상 모빌리티 분석 및 의도 예측 시스템을 구현하도록 프로그래밍되거나 달리 구성된 컴퓨터 시스템(2001)을 도시한다. 컴퓨터 시스템(2001)은 본 개시내용의 다양한 양태들을 조절할 수 있다. 컴퓨터 시스템(2001)은 사용자의 전자 디바이스 또는 전자 디바이스에 대해 원격으로 위치되는 컴퓨터 시스템일 수 있다. 전자 디바이스는 모바일 전자 디바이스일 수 있다.
컴퓨터 시스템(2001)은 단일 코어 또는 멀티 코어 프로세서, 또는 병렬 처리를 위한 복수의 프로세서일 수 있는 중앙 처리 유닛(CPU, 또한 본 명세서에서 "프로세서" 및 "컴퓨터 프로세서")(2005)을 포함한다. 컴퓨터 시스템(2001)은 또한 메모리 또는 메모리 위치(2010)(예를 들어, 랜덤 액세스 메모리, 판독 전용 메모리, 플래시 메모리), 전자 저장 유닛(2015)(예를 들어, 하드 디스크), 하나 이상의 다른 시스템과 통신하기 위한 통신 인터페이스(2020)(예를 들어, 네트워크 어댑터), 및 캐시, 다른 메모리, 데이터 저장소 및/또는 전자 디스플레이 어댑터들과 같은 주변 디바이스들(2025)을 포함한다. 메모리(2010), 저장 유닛(2015), 인터페이스(2020) 및 주변 디바이스들(2025)은 마더보드와 같은 통신 버스(실선들)를 통해 CPU(2005)와 통신한다. 저장 유닛(2015)은 데이터를 저장하기 위한 데이터 저장 유닛(또는 데이터 저장소)일 수 있다. 컴퓨터 시스템(2001)은 통신 인터페이스(2020)의 도움으로 컴퓨터 네트워크("네트워크")(2030)에 동작 가능하게 결합될 수 있다. 네트워크(2030)는 인터넷(Internet), 인터넷(internet) 및/또는 엑스트라넷, 또는 인터넷과 통신하는 인트라넷 및/또는 엑스트라넷일 수 있다. 네트워크(2030)는 일부 경우들에서 전기통신 및/또는 데이터 네트워크이다. 네트워크(2030)는 클라우드 컴퓨팅과 같은 분산 컴퓨팅을 가능하게 할 수 있는 하나 이상의 컴퓨터 서버를 포함할 수 있다. 네트워크(2030)는 일부 경우들에서 컴퓨터 시스템(2001)의 도움으로 컴퓨터 시스템(2001)에 결합된 디바이스들이 클라이언트 또는 서버로서 거동하는 것을 가능하게 할 수 있는 피어-투-피어 네트워크를 구현할 수 있다.
CPU(2005)는 프로그램 또는 소프트웨어로 구현될 수 있는 기계 판독가능 명령어들의 시퀀스를 실행할 수 있다. 명령어들은 메모리(2010)와 같은 메모리 위치에 저장될 수 있다. 명령어들은 CPU(2005)로 지향될 수 있고, CPU(2005)는 후속하여 본 개시내용의 방법들을 구현하도록 CPU(2005)를 프로그래밍하거나 다른 방식으로 구성할 수 있다. CPU(2005)에 의해 수행되는 동작들의 예들은 인출, 디코딩, 실행, 및 라이트백을 포함할 수 있다.
CPU(2005)는 집적 회로와 같은 회로의 일부일 수 있다. 시스템(2001)의 하나 이상의 다른 컴포넌트가 회로에 포함될 수 있다. 일부 경우들에서, 회로는 주문형 집적 회로(application specific integrated circuit; ASIC)이다.
저장 유닛(2015)은 파일들, 예컨대 드라이버들, 라이브러리들 및 저장된 프로그램들을 저장할 수 있다. 저장 유닛(2015)은 사용자 데이터, 예를 들어 사용자 선호들 및 사용자 프로그램들을 저장할 수 있다. 컴퓨터 시스템(2001)은 일부 경우들에서 컴퓨터 시스템(2001) 외부에 있는, 예컨대 인트라넷 또는 인터넷을 통해 컴퓨터 시스템(2001)과 통신하는 원격 서버 상에 위치되는 하나 이상의 추가 데이터 저장 유닛을 포함할 수 있다.
컴퓨터 시스템(2001)은 네트워크(2030)를 통해 하나 이상의 원격 컴퓨터 시스템과 통신할 수 있다. 예를 들어, 컴퓨터 시스템(2001)은 사용자의 원격 컴퓨터 시스템(예를 들어, 사용자 디바이스)과 통신할 수 있다. 원격 컴퓨터 시스템의 예는 개인용 컴퓨터(예를 들어, 휴대용 PC), 슬레이트 또는 태블릿 PC(예를 들어, Apple(등록상표) iPad, Samsung(등록상표) Galaxy Tab), 전화기, 스마트폰(예를 들어, Apple(등록상표) iPhone, Android-인에이블드 디바이스, Blackberry(등록상표)), 또는 개인 휴대 단말기를 포함한다. 사용자는 네트워크(2030)를 통해 컴퓨터 시스템(2001)에 액세스할 수 있다.
본 명세서에 설명된 바와 같은 방법들은, 예를 들어, 메모리(2010) 또는 전자 저장 유닛(2015)과 같은 컴퓨터 시스템(2001)의 전자 저장 위치에 저장된 기계(예를 들어, 컴퓨터 프로세서) 실행가능 코드에 의해 구현될 수 있다. 기계 실행가능 또는 기계 판독가능 코드는 소프트웨어의 형태로 제공될 수 있다. 사용 동안, 코드는 프로세서(2005)에 의해 실행될 수 있다. 일부 경우들에서, 코드는 저장 유닛(2015)으로부터 리트리브되고 프로세서(2005)에 의한 준비된 액세스를 위해 메모 리(2010)에 저장될 수 있다. 일부 상황들에서, 전자 저장 유닛(2015)은 배제될 수 있고, 기계 실행가능 명령어들은 메모리(2010)에 저장된다.
코드는 코드를 실행하도록 적응되는 프로세서를 갖는 기계과 함께 사용하기 위해 사전 컴파일되고 구성될 수 있거나, 런타임 동안 컴파일될 수 있다. 코드는 코드가 사전 컴파일되거나 실행시에 컴파일되는 방식으로 실행될 수 있게 하도록 선택될 수 있는 프로그래밍 언어로 공급될 수 있다.
컴퓨터 시스템(2001)과 같은 본 명세서에 제공된 시스템들 및 방법들의 양태들은 프로그래밍으로 구현될 수 있다. 본 기술의 다양한 양태들은 일 유형의 기계 판독 가능 매체 상에서 운반되거나 그 안에 구현되는 기계(또는 프로세서) 실행 가능 코드 및/또는 관련 데이터의 형태인 통상적으로 "제품" 또는 "제조물"로서 간주될 수 있다. 기계 실행 가능 코드는 메모리(예로서, 판독 전용 메모리, 랜덤 액세스 메모리, 플래시 메모리) 또는 하드 디스크와 같은 전자 저장 유닛 상에 저장될 수 있다. "저장" 유형 매체는 소프트웨어 프로그래밍을 위해 임의의 시간에 비일시적 저장을 제공할 수 있는 컴퓨터들, 프로세서들 등 또는 이들의 관련 모듈들, 예로서 다양한 반도체 메모리들, 테이프 드라이브들, 디스크 드라이브들 등 중 임의의 것 또는 전부를 포함할 수 있다. 소프트웨어의 전부 또는 부분들은 때때로 인터넷 또는 다양한 다른 통신 네트워크들을 통해 통신될 수 있다. 그러한 통신들은 예를 들어 하나의 컴퓨터 또는 프로세서로부터 다른 컴퓨터 또는 프로세서로의, 예로서 관리 서버 또는 호스트 컴퓨터로부터 애플리케이션 서버의 컴퓨터 플랫폼 내로의 소프트웨어의 로딩을 가능하게 할 수 있다. 따라서, 소프트웨어 요소들을 지닐 수 있는 다른 유형의 매체는 로컬 디바이스들 사이의 물리적 인터페이스들을 통해, 유선 및 광학 지상 통신망들을 통해 그리고 다양한 에어 링크들을 통해 사용되는 것과 같은 광학, 전기 및 전자기파들을 포함한다. 유선 또는 무선 링크들, 광학 링크들 등과 같은 그러한 파들을 운반하는 물리 요소들은 또한 소프트웨어를 지니는 매체로서 간주될 수 있다. 본 명세서에서 사용되는 바와 같이, 비일시적 유형적 "저장" 매체로 한정되지 않는 한, 컴퓨터 또는 기계 "판독 가능 매체"와 같은 용어들은 실행을 위해 프로세서에 명령어들을 제공하는 데 참여하는 임의의 매체를 지칭한다.
따라서, 컴퓨터 실행 가능 코드와 같은 기계 판독 가능 매체는 유형적 저장 매체, 반송파 매체 또는 물리 송신 매체를 포함하지만 이에 한정되지 않는 많은 형태를 취할 수 있다. 비휘발성 저장 매체는 예를 들어 도면들에 도시된 데이터베이스 등을 구현하는 데 사용될 수 있는 것과 같은 임의의 컴퓨터(들) 등 내의 임의의 저장 디바이스와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 저장 매체는 그러한 컴퓨터 플랫폼의 메인 메모리와 같은 동적 메모리를 포함한다. 유형적 송신 매체는 동축 케이블; 컴퓨터 시스템 내의 버스를 포함하는 와이어를 포함하는 구리 와이어 및 광섬유를 포함한다. 반송파 송신 매체는 전기 또는 전자기 신호, 또는 무선 주파수(radio frequency; RF) 및 적외선(infrared; IR) 데이터 통신 동안 생성되는 것들과 같은 음향 또는 광파들의 형태를 취할 수 있다. 따라서, 공통 형태의 컴퓨터 판독 가능 매체는 예를 들어 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프, 임의의 다른 자기 매체, CD-ROM, DVD 또는 DVD-ROM, 임의의 다른 광학 매체, 펀치 카드 종이 테이프, 구멍들의 패턴들을 갖는 임의의 다른 물리 저장 매체, RAM, ROM, PROM 및 EPROM, 플래시-EPROM, 임의의 다른 메모리 칩 또는 카트리지, 데이터 또는 명령어들을 운반하는 반송파, 그러한 반송파를 운반하는 케이블들 또는 링크들, 또는 컴퓨터가 프로그래밍 코드 및/또는 데이터를 판독할 수 있는 임의의 다른 매체를 포함한다. 이러한 형태의 컴퓨터 판독 가능 매체들 중 다수는 하나 이상의 명령어의 하나 이상의 시퀀스를 실행을 위해 프로세서로 운반하는 데 관련될 수 있다.
컴퓨터 시스템(2001)은, 예를 들어, 본 명세서의 다른 곳에서 설명된 바와 같은 그래픽 사용자 인터페이스를 제공하는 사용자 인터페이스(UI)(2040)를 포함하는 전자 디스플레이(2035)를 포함하거나 그와 통신할 수 있다. UI의 예는 그래픽 사용자 인터페이스(GUI) 및 웹-기반 사용자 인터페이스를 포함하지만 이들로 제한되지 않는다.
본 개시내용의 방법들 및 시스템들은 하나 이상의 알고리즘에 의해 구현될 수 있다. 알고리즘은 중앙 처리 유닛(2005)에 의한 실행 시에 소프트웨어에 의해 구현될 수 있다. 알고리즘은 예를 들어 수송 계획 엔진과 같은 트레이닝된 모델들일 수 있다.
본 발명의 바람직한 실시예들이 본 명세서에 도시되고 설명되었지만, 그러한 실시예들은 단지 예로서 제공된다는 것이 이 분야의 기술자들에게 명백할 것이다. 본 발명은 본 명세서 내에서 제공되는 특정 예들에 의해 제한되는 것으로 의도되지 않는다. 본 발명은 전술한 명세서를 참조하여 설명되었지만, 본 명세서의 실시예들의 설명들 및 예시들은 제한적인 의미로 해석되는 것을 의도하지 않는다. 이제, 본 발명으로부터 벗어나지 않고서 이 분야의 기술자들에게 다수의 변형, 변경 및 대체가 떠오를 것이다. 또한, 본 발명의 모든 양태들은 다양한 조건들 및 변수들에 의존하는, 본 명세서에 제시된 특정 설명들, 구성들 또는 상대적 비율들로 한정되지 않는다는 것을 이해해야 한다. 본 명세서에 설명된 발명의 실시예들에 대한 다양한 대안들은 본 발명을 실시하는 데 이용될 수 있다는 것을 이해해야 한다. 따라서, 본 발명은 또한 임의의 그러한 대안들, 수정들, 변형들 또는 균등물들을 커버할 것으로 고려된다. 아래의 청구항들은 본 발명의 범위를 정의하고, 이러한 청구항들 및 이들의 균등물들 내의 방법들 및 구조들이 그에 의해 커버 되는 것을 의도한다.
Claims (24)
- 사용자의 여행 의도 또는 목적지를 예측하기 위한 방법으로서,
(a) 여행 루트의 시작 지리적 위치 및 상기 사용자의 아이덴티티에 관한 데이터를 수신하는 단계;
(b) (i) 상기 사용자의 아이덴티티에 관한 데이터 및 (ii) 소팅되지 않은(unsorted) 지리공간 데이터(geospatial data)를 포함하는 하나 이상의 트레이닝 데이터세트에 적어도 부분적으로 기초하여 분류기(classifier)를 트레이닝하는 단계;
(c) 상기 시작 지리적 위치에 적어도 부분적으로 기초하여 상기 여행 의도 또는 상기 목적지를 예측하기 위해 (b)에서 트레이닝된 상기 분류기를 사용하는 단계; 및
(d) 상기 사용자가 상기 여행 루트의 적어도 일부를 따라 차량 내에서 여행하는 동안, 전자 디바이스 상에 상기 사용자에게 하나 이상의 거래 옵션(transactional option)을 제시하는 단계 - 상기 하나 이상의 거래 옵션은 (c)에서 예측된 상기 여행 의도 또는 목적지에 적어도 부분적으로 기초하여 식별됨 -
를 포함하는, 사용자의 여행 의도 또는 목적지를 예측하기 위한 방법. - 제1항에 있어서, 상기 시작 지리적 위치는 글로벌 포지셔닝 시스템(Global Positioning System; GPS) 데이터의 형태로 수신되는 것인, 방법.
- 제1항에 있어서, 상기 시작 지리적 위치는 상기 전자 디바이스의 지리적 위치를 부분적으로 사용하여 결정되고, 상기 지리적 위치는 글로벌 포지션 시스템(global position system) 또는 신호 삼각측량에 의해 결정되는 것인, 방법.
- 제1항에 있어서, 상기 시작 지리적 위치는 상기 전자 디바이스 상의 그래픽 사용자 인터페이스(graphical user interface; GUI)를 통해 상기 사용자에 의해 입력되는 것인, 방법.
- 제1항에 있어서, 상기 소팅되지 않은 지리공간 데이터는 상관되지 않은(uncorrelated) GPS 데이터를 포함하는 것인, 방법.
- 제5항에 있어서, 상기 하나 이상의 트레이닝 데이터세트는 복수의 여행 데이터 레코드의 클러스터링 분석을 사용하여 획득되는 라벨링된 데이터를 포함하는 것인, 방법.
- 제6항에 있어서, 상기 소팅되지 않거나 상관되지 않은 GPS 데이터를 하나 이상의 사람 아이덴티티와 연관시킴으로써 상기 복수의 여행 데이터 레코드를 생성하는 단계를 더 포함하는, 방법.
- 제6항에 있어서, 상기 복수의 여행 데이터 레코드는 대응하는 사람 아이덴티티의 소셜 데이터, 수송 데이터 또는 구매 데이터에 의해 증강되는 것인, 방법.
- 제1항에 있어서, 상기 분류기를 트레이닝하는 단계는 하나 이상의 라벨링 규칙에 기초하여 여행의 세그먼트에 대한 라벨을 생성하는 단계를 포함하는 것인, 방법.
- 제1항에 있어서, 상기 여행 루트의 하나 이상의 부분에 대한 수송 모드를 예측하는 단계를 더 포함하는, 방법.
- 제10항에 있어서, 상기 수송 모드는 자율주행 차량, 승차-호출 서비스(ride-hailing service), 철도 수송 및/또는 지상 대량 수송 차량을 포함하는 것인, 방법.
- 제1항에 있어서, 상기 여행 동안 새로운 위치 데이터의 수신시에 상기 여행 의도 또는 목적지를 업데이트하는 단계를 더 포함하는, 방법.
- 사용자의 여행 의도 또는 목적지를 예측하기 위한 시스템으로서,
명령어의 세트를 저장하기 위한 메모리; 및
상기 명령어의 세트를 실행하여,
(a) 여행 루트의 시작 지리적 위치 및 상기 사용자의 아이덴티티에 관한 데이터를 수신하고;
(b) (i) 상기 사용자의 아이덴티티에 관한 데이터 및 (ii) 소팅되지 않은 지리공간 데이터를 포함하는 하나 이상의 트레이닝 데이터세트에 적어도 부분적으로 기초하여 분류기를 트레이닝하고;
(c) 상기 시작 지리적 위치에 적어도 부분적으로 기초하여 상기 여행 의도 또는 상기 목적지를 예측하기 위해 (b)에서 트레이닝된 상기 분류기를 사용하고;
(d) 상기 사용자가 상기 여행 루트의 적어도 일부를 따라 차량 내에서 여행하는 동안, 전자 디바이스 상에 상기 사용자에게 하나 이상의 거래 옵션을 제시하도록 - 상기 하나 이상의 거래 옵션은 (c)에서 예측된 상기 여행 의도 또는 목적지에 적어도 부분적으로 기초하여 식별됨 -
구성된 하나 이상의 프로세서
를 포함하는, 사용자의 여행 의도 또는 목적지를 예측하기 위한 시스템. - 제13항에 있어서, 상기 시작 지리적 위치는 글로벌 포지셔닝 시스템(GPS) 데이터의 형태로 수신되는 것인, 시스템.
- 제13항에 있어서, 상기 시작 지리적 위치는 상기 전자 디바이스의 지리적 위치를 부분적으로 사용하여 결정되고, 상기 지리적 위치는 글로벌 포지션 시스템 또는 신호 삼각측량에 의해 결정되는 것인, 시스템.
- 제13항에 있어서, 상기 시작 지리적 위치는 상기 전자 디바이스 상의 그래픽 사용자 인터페이스(GUI)를 통해 상기 사용자에 의해 입력되는 것인, 시스템.
- 제13항에 있어서, 상기 소팅되지 않은 지리공간 데이터는 상관되지 않은 GPS 데이터를 포함하는 것인, 시스템.
- 제17항에 있어서, 상기 하나 이상의 트레이닝 데이터세트는 복수의 여행 데이터 레코드의 클러스터링 분석을 사용하여 획득되는 라벨링된 데이터를 포함하는 것인, 시스템.
- 제18항에 있어서, 상기 하나 이상의 프로세서는 또한, 상기 소팅되지 않거나 상관되지 않은 GPS 데이터를 하나 이상의 사람 아이덴티티와 연관시킴으로써 상기 복수의 여행 데이터 레코드를 생성하도록 구성되는 것인, 시스템.
- 제18항에 있어서, 상기 복수의 여행 데이터 레코드는 대응하는 사람 아이덴티티의 소셜 데이터, 수송 데이터 또는 구매 데이터에 의해 증강되는 것인, 시스템.
- 제13항에 있어서, 상기 하나 이상의 프로세서는 하나 이상의 라벨링 규칙에 기초하여 여행의 세그먼트에 대한 라벨을 생성함으로써 상기 분류기를 트레이닝하도록 구성되는 것인, 시스템.
- 제13항에 있어서, 상기 하나 이상의 프로세서는 또한, 상기 여행 루트의 하나 이상의 부분에 대한 수송 모드를 예측하도록 구성되는 것인, 시스템.
- 제22항에 있어서, 상기 수송 모드는 자율주행 차량, 승차-호출 서비스, 철도 수송 및/또는 지상 대량 수송 차량을 포함하는 것인, 시스템.
- 제13항에 있어서, 상기 하나 이상의 프로세서는 또한, 상기 여행 동안 새로운 위치 데이터의 수신시에 상기 여행 의도 또는 목적지를 업데이트하도록 구성되는 것인, 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202062969472P | 2020-02-03 | 2020-02-03 | |
| US62/969,472 | 2020-02-03 | ||
| PCT/US2021/015020 WO2021158390A1 (en) | 2020-02-03 | 2021-01-26 | Systems and methods for personalized ground transportation processing and user intent predictions |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220131936A true KR20220131936A (ko) | 2022-09-29 |
Family
ID=77199606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227026936A KR20220131936A (ko) | 2020-02-03 | 2021-01-26 | 개인화된 지상 수송 처리 및 사용자 의도 예측들을 위한 시스템들 및 방법들 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220341746A1 (ko) |
| EP (1) | EP4100911A4 (ko) |
| JP (1) | JP2023513469A (ko) |
| KR (1) | KR20220131936A (ko) |
| CN (1) | CN115053254A (ko) |
| WO (1) | WO2021158390A1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11054268B2 (en) * | 2018-11-05 | 2021-07-06 | Palo Alto Research Center Incorporated | User behavior influence in transportation systems |
| DE102021103806A1 (de) * | 2021-02-18 | 2022-08-18 | 4.screen GmbH | System sowie Verfahren zum Priorisieren von Navigationszielen von Fahrzeugen |
| WO2023036403A1 (en) * | 2021-09-07 | 2023-03-16 | Volkswagen Aktiengesellschaft | A method for providing an automatic logbook for a driver of a vehicle, a system, a vehicle, an electronic control device and a computer program product |
| CN115100858B (zh) * | 2022-06-20 | 2024-05-07 | 上海海事大学 | 一种共享单车与私人单车出行方式识别方法和系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8392116B2 (en) * | 2010-03-24 | 2013-03-05 | Sap Ag | Navigation device and method for predicting the destination of a trip |
| KR102440472B1 (ko) * | 2016-07-20 | 2022-09-07 | 인포뱅크 주식회사 | 원격 자율 주행 제어 장치 및 방법 |
| WO2019084012A1 (en) * | 2017-10-24 | 2019-05-02 | Metropia, Inc. | SYSTEM FOR MANAGING TARGET CIRCULATION ALERTS |
| US20190186939A1 (en) * | 2017-12-20 | 2019-06-20 | Nio Usa, Inc. | Intelligent trip prediction in autonomous vehicles |
| DE112017008231T5 (de) * | 2017-12-20 | 2020-08-13 | Intel Corporation | Koordiniertes autonomes fahren |
| WO2021006359A1 (ko) * | 2019-07-05 | 2021-01-14 | 엘지전자 주식회사 | 자율주행시스템에서 장난감 장치를 활용한 차량 제어 방법 및 이를 위한 장치 |
| KR20190095198A (ko) * | 2019-07-26 | 2019-08-14 | 엘지전자 주식회사 | 자율 주행 시스템과 그 미디어 재생 방법 |
| KR102220950B1 (ko) * | 2019-07-31 | 2021-02-26 | 엘지전자 주식회사 | 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치 |
-
2021
- 2021-01-26 CN CN202180012352.7A patent/CN115053254A/zh active Pending
- 2021-01-26 WO PCT/US2021/015020 patent/WO2021158390A1/en unknown
- 2021-01-26 KR KR1020227026936A patent/KR20220131936A/ko unknown
- 2021-01-26 JP JP2022546639A patent/JP2023513469A/ja active Pending
- 2021-01-26 EP EP21751366.2A patent/EP4100911A4/en active Pending
-
2022
- 2022-07-08 US US17/811,438 patent/US20220341746A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20220341746A1 (en) | 2022-10-27 |
| WO2021158390A1 (en) | 2021-08-12 |
| CN115053254A (zh) | 2022-09-13 |
| EP4100911A1 (en) | 2022-12-14 |
| EP4100911A4 (en) | 2024-02-28 |
| JP2023513469A (ja) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200363220A1 (en) | Systems and methods for personalized ground transportation | |
| US11537953B2 (en) | Method and apparatus for proactive booking of a shared vehicle | |
| JP6637054B2 (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
| US20220341746A1 (en) | Systems and methods for personalized ground transportation processing and user intent predictions | |
| JP6640880B2 (ja) | 個人別コンテンツを推奨するためのシステム及び方法 | |
| US9488485B2 (en) | Method and apparatus for route selection based on recorded and calculated routes | |
| US9294878B2 (en) | Method and apparatus for providing hub-based indexing and services | |
| US9372092B2 (en) | Method and apparatus for providing a contextual menu in a map display | |
| EP3048422B1 (en) | Method and apparatus for providing relevant point of interest on a multi-modal route | |
| US20190171943A1 (en) | Automatic generation of human-understandable geospatial descriptors | |
| US20230236033A1 (en) | Method for Generating Personalized Transportation Plans Comprising a Plurality of Route Components Combining Multiple Modes of Transportation | |
| US10365112B2 (en) | Method and apparatus for providing a route forecast user interface | |
| US20130345958A1 (en) | Computing Recommendations for Stopping During a Trip | |
| Smirnov et al. | Intelligent mobile tourist guide: Context-based approach and implementation | |
| US20150363748A1 (en) | Method and apparatus for time-based notification during an event | |
| US9689680B2 (en) | Method and apparatus for approaches to provide for combining contexts related to items of interest and navigation | |
| US20150296335A1 (en) | Method and apparatus for conveying point of interest data with minimum data exchange | |
| KR20220066369A (ko) | 트래블 기반 통지 | |
| CN112749872A (zh) | 众包旅行规划信息的动态递送 | |
| US10972900B2 (en) | Method and apparatus for providing selected access to user mobility data based on a quality of service | |
| US9706349B2 (en) | Method and apparatus for providing an association between a location and a user | |
| US20200356909A1 (en) | Method and system for recommending multi-modal itineraries | |
| US20230358551A1 (en) | Method and apparatus for optimizing a multi-stop tour with flexible meeting locations | |
| CN112050822B (zh) | 用于生成行驶路线的方法、系统和装置 | |
| Ku et al. | Digital convergence services for situation-aware POI touring |